使用图神经网络从功能磁共振成像中发现神经系统疾病的稳健生物标志物：综述
内容提要
本文介绍了利用图神经网络（GNN）和功能性磁共振成像（fMRI）数据识别自闭症谱系障碍（ASD）生物标志物的研究进展。研究提出了一种可解释的GNN框架，强调重要脑区，并展示了在分类准确性和生物标志物一致性方面的优势。此外，介绍了ContrastPool和BN-GNN等新方法，提升了脑网络分析的性能和解释能力。
延伸解读
可解释性成为GNN脑影像分析的核心关切
综述中多项研究不约而同地强调可解释性，例如PR-GNN通过显著区域选择机制和规则化池化层突出重要脑区，FBNETGEN则生成任务感知的学习图来标示预测相关区域。这表明在神经系统疾病生物标志物发现中，仅追求分类准确率已不足够，研究者更希望模型能指出哪些脑区或连接对判断有贡献，从而与既有神经科学知识相互印证。
方法演进：从静态图到动态与多模态
文章梳理的进展显示，早期工作主要基于静态脑网络图进行GNN分析，而后续研究逐渐扩展到动态功能连接和时空信息利用，并出现多视图GNN与对比学习结合的多模态脑网络分析方法。这种演进反映出领域正试图更充分地挖掘fMRI数据中蕴含的时间维度与多模态信息，以提升模型对疾病相关模式的捕捉能力。
自动化与工具化降低应用门槛
BN-GNN利用深度强化学习自动确定最优特征聚合数量，避免了人工设定GNN层数的困扰；NeuroGraph则作为开源Python软件包，提供基于图的神经影像数据集、基准实现和标准评估。这些工作分别从模型自适应和工具生态两个方向，推动GNN在脑网络分析中更易被复现和应用，有助于不同团队在统一基准上比较方法。
Q&A
图神经网络如何用于识别自闭症谱系障碍的生物标志物？
图神经网络通过分析功能性磁共振成像数据，开发了一个包含两个阶段的流程来识别自闭症谱系障碍的生物标志物。
PR-GNN框架的优势是什么？
PR-GNN框架在分类准确性和生物标志物一致性方面表现优越，能够突出重要的脑区。
ContrastPool方法的主要特点是什么？
ContrastPool方法专门满足功能性磁共振成像数据的需求，并在神经退行性疾病研究中展示了其优势。
BN-GNN框架如何提升脑网络分析性能？
BN-GNN框架使用深度强化学习技术，自动确定最优特征聚合数量，从而显著提升脑网络分析性能。
NeuroGraph软件包的功能是什么？
NeuroGraph是一个开源Python软件包，提供基于图形的神经影像数据集及其分析工具，支持机器学习研究。
多视图GNN和对比学习方法的有效性如何？
该方法在两个现实疾病数据集上的实验表明其在多模态脑网络分析中的有效性。
