統(tǒng)計(jì)預(yù)測(cè)表明，到2050年，受腦疾病影響的全球人口預(yù)計(jì)將達(dá)到49億，這對(duì)全球健康、家庭、工作場(chǎng)所和醫(yī)療系統(tǒng)構(gòu)成了重大挑戰(zhàn)[1]。快速準(zhǔn)確的腦疾病診斷對(duì)患者和社會(huì)整體都至關(guān)重要。然而，腦疾病的數(shù)據(jù)非常復(fù)雜且量龐大。即使對(duì)于經(jīng)驗(yàn)豐富的醫(yī)生來(lái)說(shuō)，從大量數(shù)據(jù)中提取有用信息也是一個(gè)耗時(shí)且勞動(dòng)密集的過(guò)程。例如，診斷精神疾病患者可能需要一種或多種檢查方法，如磁共振成像（MRI）、功能性近紅外光譜（fNIRS）、腦電圖（EEG）、多導(dǎo)睡眠圖（PSG），以及血液檢測(cè)、基因分析和神經(jīng)心理學(xué)評(píng)估。這些檢查可能需要幾分鐘到幾小時(shí)的時(shí)間，產(chǎn)生的數(shù)據(jù)量可達(dá)數(shù)十GB[2]。

盡管需要醫(yī)生關(guān)注的數(shù)據(jù)和知識(shí)量不斷增加，但由于人工智能（AI）及其子領(lǐng)域深度學(xué)習(xí)（DL）的進(jìn)步，平均臨床咨詢(xún)時(shí)間有所減少，深度學(xué)習(xí)在提供描述性、預(yù)測(cè)性和規(guī)范性分析方面顯示出巨大潛力[3],[4]。結(jié)合硬件性能的提升，這些進(jìn)步加速了自動(dòng)化診斷系統(tǒng)的發(fā)展，成為解決醫(yī)療資源限制的一個(gè)有前景的方案。這些系統(tǒng)能夠快速處理大規(guī)模數(shù)據(jù)，為臨床醫(yī)生提供決策支持，促進(jìn)多因素影響的全面分析，并有助于減少人為錯(cuò)誤[5]。

為了診斷腦部疾病并更好地理解人腦的復(fù)雜結(jié)構(gòu)，神經(jīng)科學(xué)家通常將大腦建模為一個(gè)圖結(jié)構(gòu)系統(tǒng)，其中不同的腦區(qū)表示為節(jié)點(diǎn)，它們的功能關(guān)系表示為邊[6]。受這一數(shù)據(jù)特性的啟發(fā)，幾何深度學(xué)習(xí)——特別是GNNs——已成為處理此類(lèi)數(shù)據(jù)的有效方法。GNNs在學(xué)習(xí)過(guò)程中通過(guò)利用消息傳遞機(jī)制來(lái)聚合來(lái)自鄰近節(jié)點(diǎn)的信息，并為單個(gè)節(jié)點(diǎn)和整個(gè)圖學(xué)習(xí)有意義的表示，從而保留了圖的拓?fù)浣Y(jié)構(gòu)。因此，GNNs在腦疾病診斷中得到了廣泛應(yīng)用，展示了處理非歐幾里得數(shù)據(jù)和捕捉復(fù)雜生物系統(tǒng)內(nèi)動(dòng)態(tài)關(guān)系的強(qiáng)大能力[7]。已有幾篇關(guān)于使用GNN進(jìn)行網(wǎng)絡(luò)神經(jīng)科學(xué)和腦圖學(xué)習(xí)的綜述。例如，Grana等人[8]專(zhuān)注于基于EEG的診斷應(yīng)用；張等人[9]專(zhuān)門(mén)研究神經(jīng)退行性疾病的診斷；Bessadok等人[10]探討了GNN在網(wǎng)絡(luò)神經(jīng)科學(xué)中的應(yīng)用；Luo等人[11]系統(tǒng)地回顧了使用GNN的腦圖學(xué)習(xí)。然而，現(xiàn)有的綜述缺乏對(duì)各種類(lèi)型腦疾病的詳細(xì)覆蓋，通常更多地關(guān)注精神疾病和神經(jīng)退行性疾病。此外，這些文章沒(méi)有比較使用單一或多模數(shù)據(jù)對(duì)每種疾病的診斷效果，使得未來(lái)的研究人員難以根據(jù)不同類(lèi)型的疾病選擇和比較不同的方法。

為填補(bǔ)這一空白，我們提供了關(guān)于使用GNN進(jìn)行腦疾病分析的全面回顧。我們根據(jù)九種不同類(lèi)型的疾病（包括神經(jīng)退行性疾病、神經(jīng)發(fā)育障礙、精神疾病和腦腫瘤）對(duì)GNN在腦數(shù)據(jù)分析中的應(yīng)用進(jìn)行了分類(lèi)。對(duì)于每種疾病，我們?cè)敿?xì)介紹了GNN模型、它們處理單模或多模數(shù)據(jù)的能力，以及不同方法的比較分析。然后，我們指出了在應(yīng)用GNN進(jìn)行腦疾病診斷時(shí)面臨的關(guān)鍵挑戰(zhàn)和未解決的問(wèn)題，包括數(shù)據(jù)相關(guān)問(wèn)題（如數(shù)據(jù)不平衡、噪聲或稀缺性）、建模疾病進(jìn)展的難度、多模融合以及模型可解釋性的限制。為了解決這些問(wèn)題，我們提出了深入的分析和可行的研究建議。

本文的其余部分結(jié)構(gòu)如下：第2節(jié)概述了GNN并介紹了最常用的基于圖的DL模型用于疾病診斷；第3節(jié)描述了系統(tǒng)文獻(xiàn)回顧的方法論，包括搜索策略、納入/排除標(biāo)準(zhǔn)和疾病選擇標(biāo)準(zhǔn)；第4節(jié)介紹了使用GNN診斷腦疾病的代表性方法，并按不同疾病分類(lèi)；第5節(jié)分析了這些方法，生成了統(tǒng)計(jì)見(jiàn)解，比較了它們的性能，并強(qiáng)調(diào)了與其他腦相關(guān)應(yīng)用和生物標(biāo)志物識(shí)別相關(guān)的研究；第6節(jié)討論了該領(lǐng)域的主要挑戰(zhàn)，并提出了未來(lái)研究的方向。

本文系統(tǒng)回顧了GNN在所有可能的腦疾病中的應(yīng)用，包括精神疾病、神經(jīng)退行性疾病、神經(jīng)發(fā)育障礙、癲癇和腦腫瘤。相關(guān)模型被分為單模和多模框架，每種疾病都在兩種范式下進(jìn)行了研究，以實(shí)現(xiàn)全面分析。

表2總結(jié)了可用的公共數(shù)據(jù)集方法。樣本大小表示受試者數(shù)量。“Perf.” 表示

本綜述調(diào)查了使用GNN分析腦疾病的同行評(píng)審研究。如圖4所示，研究分布顯示出不同的學(xué)科重點(diǎn)：神經(jīng)退行性疾病占研究的19.0%，其中阿爾茨海默病（AD）由于ADNI等標(biāo)準(zhǔn)化神經(jīng)成像協(xié)議而受到主要關(guān)注。精神疾病占38.0%，其中抑郁癥（DD）受益最多