这篇文档题为“Graph Neural Networks for fMRI Functional Brain Networks: A Survey”，由汤婧烨、朱天清、周万雷和赵威合作撰写，作者单位包括澳门城市大学数据科学学院和深圳先进技术学院。该文发表于Elsevier旗下的期刊《Neural Networks》，网络预印版发布于2025年。

从内容上看，这篇文档不属于报告单一原创研究的科学论文（类型a），而是一篇全面系统的“综述”论文（Survey）。因此，我们将按照类型b的要求，为中文读者撰写一份学术报告，详细介绍这篇综述的核心内容、主要观点及其价值和意义。

《基于图神经网络的fMRI功能脑网络分析：综述》学术报告

引言与概述 随着神经成像技术的飞速发展，尤其是功能磁共振成像（functional Magnetic Resonance Imaging, fMRI）的广泛应用，将大脑建模为网络（脑网络）已成为分析大脑结构与功能、诊断精神障碍的强大工具。大脑区域间的功能连接可以抽象为图（Graph），其中节点代表大脑感兴趣区域（Regions of Interest, ROIs），边代表区域间的功能连接强度。近年来，图神经网络（Graph Neural Networks, GNNs）因其在处理非欧几里得结构化数据方面的卓越能力，在脑网络分析领域引起了广泛关注。然而，该领域的研究方法多样且发展迅速，目前缺乏从计算机科学视角出发的、对最新GNN方法在跨被试、跨模态、跨时间等不同维度应用的系统性总结。为此，汤婧烨等人撰写了这篇综述，旨在填补这一空白，为研究者提供一个清晰的分类框架和技术参考，并探讨当前面临的挑战与未来发展方向。

主要观点阐述

观点一：脑网络构建与分析面临独特挑战，需要GNN方法的专门化适配。 脑网络并非普通的图数据，直接应用标准GNN模型存在困难。该综述系统梳理了这些挑战：首先，脑网络通常表示为全连接的关联矩阵，每个节点（脑区）理论上都与其他节点相连，这种固定且密集的连接模式限制了GNN在空间和边编码设计上的灵活性。其次，脑网络节点的“特征”往往缺失或难以定义，所有信息主要蕴含在边（连接权重）中，这与传统GNN假设节点具有丰富特征的场景不同。第三，脑网络规模庞大（节点多），且连接权重可正可负，增加了计算复杂度和模型设计的难度。第四，医学影像数据稀缺，且存在设备差异导致的异质性，容易导致模型过拟合和泛化能力差。第五，深度学习模型普遍存在的“黑箱”问题，在医疗诊断场景下尤为突出，缺乏可解释性会阻碍临床信任与应用。因此，成功的脑网络分析GNN方法必须针对这些特性进行改进或引入新的模块。

观点二：为了系统应对脑网络数据的复杂性，综述提出了一个以“跨维度分析”为核心的三维分类框架。 作者认为，脑网络数据的本质特性决定了建模需求，并据此将现有GNN方法分为三大类，构成了本综述的核心组织逻辑： 1. 跨被试分析（Cross-Subject Analysis）：重点在于处理个体间的高度异质性（如年龄、性别、扫描条件）。其目标是提取跨群体的判别性共同模式，同时抑制被试特定的噪声，以增强模型在多中心、多样化数据集上的泛化能力和鲁棒性。 2. 跨模态分析（Cross-Modality Analysis）：旨在整合来自不同成像模态（如fMRI的功能连接、DTI的结构连接、sMRI的皮层厚度相关性）的信息，构建更全面、稳健的脑网络表征，同时避免信息偏差和模态冲突带来的性能下降。 3. 跨时间分析（Cross-Time Analysis）：关注功能脑网络连接在病理演变或任务执行过程中的动态变化。通过引入动态图建模方法（如时序GNN、时空图卷积网络），捕捉不同时间点间的转换模式，从而提升模型对疾病进展的表征能力和早期检测的敏感性。

这一框架不仅涵盖了脑网络分析的关键应用场景，也反映了从静态、单一样本分析向动态、群体、多源信息融合分析的发展趋势。

观点三：在“跨被试分析”维度下，现有方法主要沿着“基于模块化”和“基于模型模块”两个互补的方向发展。 * 基于模块化（Modularity-based）的方法：其灵感来源于现实网络（包括脑网络）中普遍存在的社区结构（即模块内连接紧密，模块间连接稀疏）。这类方法旨在发现或利用脑网络的这种内在模块划分。它又可分为： * 模型视角：修改GNN模型本身，使其能够学习或保持社区结构。例如，Li等人设计ROI感知的图卷积层，将卷积核权重分解为一组基函数的线性组合，每个基函数代表一个社区，使得同一社区内的节点拥有相似的嵌入核。Wen等人则在GCN中引入图结构学习（Graph Structure Learning, GSL），通过可学习的参数为多个被试生成一致的粗化图，从而识别群体水平的稳定子网络并去除噪声连接。 * 数据视角：在数据输入模型前，先进行社区检测（Community Detection）。常用算法包括：谱聚类（利用拉普拉斯矩阵特征向量）、层次聚类（特别是可解释的Transformer模型）、模块度优化（如快速高效的Louvain算法）以及基于统计推断的方法（如随机块模型Stochastic Block Model, SBM）。例如，Ting等人提出的MSS-SBM模型，能够同时识别多个被试共享的公共脑网络社区划分。 * 基于模型模块（Module-based）的方法：此处的“模块”指神经网络架构中具有特定功能、可重用的建模单元。其设计核心目标是提升模型的泛化能力和可解释性。 * 泛化视角：针对数据稀缺和异质性问题。方法包括：1) 元学习：如Yang等人采用模型无关元学习（MAML），提升模型快速适应新任务（新数据集）的能力；Liu等人使用孪生图卷积网络（Siamese GCN），通过学习样本对之间的相似性来增强分类。2) 生成模型：利用生成对抗网络（GAN）或扩散模型（Diffusion Models）生成逼真的脑网络数据以扩充数据集，或学习跨模态的映射关系（如从结构连接预测功能连接）。3) 数据增强：在脑网络数据上应用对抗训练（如FGSM, PGD）或Mixup等策略，提高模型鲁棒性。 * 可解释性视角：旨在揭示与疾病相关的生物标志物（Biomarkers）或关键脑区/连接。方法包括：1) 基于梯度的方法：如计算输入特征相对于预测得分的梯度，生成显著图（Saliency Map）来指示重要连接。2) 基于扰动的方法：通过学习掩码（Mask）来突出对预测至关重要的子图结构，例如Cui等人提出的BrainNNExplainer模块。3) 基于池化策略的方法：如Li等人结合组水平一致性损失（Group-Level Consistency Loss, GLC）和TopK池化，使模型能根据需要在个体水平和群体水平之间选择可解释的特征。4) 基于信息瓶颈的方法：如GSAT框架，通过注入随机性来区分与标签相关/无关的图成分，实现内在可解释性；Zheng等人的BrainIB框架则基于图同构网络（GIN）和图信息瓶颈（GIB）原则进行脑疾病分类。

这两种策略相辅相成：基于模块化的方法通过对脑网络结构进行对齐来显式地利用跨被试共性；而基于模型模块的方法则通过在架构内部设计可转移的单元或约束，来隐式地编码跨被试不变性。

观点四：“跨模态分析”与“跨时间分析”是脑网络分析走向深入与实用的关键前沿。 * 跨模态分析：单一成像模态在时空分辨率上各有局限。跨模态分析通过融合多模态信息构建更全面的脑网络表征。综述总结了多种融合策略：1) 多模态节点特征表示：为节点赋予来自不同模态的特征。2) 多模态图谱转换：将不同模态的数据映射到统一的空间坐标系。3) 多模态数据融合：可在数据级、特征级、混合级或决策级进行融合。4) 多模态数据翻译：使用生成模型实现模态间的相互转换。5) 可学习的连接构建技术：用神经网络直接学习脑区间的功能连接，而非依赖传统的皮尔逊相关等统计量。 * 跨时间分析：静态脑网络忽略了功能的动态波动。跨时间分析旨在捕捉脑网络随时间的演化。方法主要包括：1) 基于静态编码的GNN方法：将每个时间点的脑网络作为独立的静态图处理，然后聚合时序信息。2) 基于动态编码的GNN方法：直接对动态图序列进行建模，如使用EvolveGCN（图结构动态演化）或时空图卷积网络（Spatial-Temporal GCN）来同时捕获空间依赖和时间依赖。

观点五：清晰的脑网络构建流程与数据集总结是方法应用与验证的基础。 综述详细阐述了从神经影像数据构建功能脑网络和结构脑网络的标准流程。对于fMRI，主要包括预处理（层时间校正、头动校正、配准、标准化、平滑等）、脑区划分（根据图谱定义ROI）和功能网络构建（计算ROI时间序列间的相关性，如皮尔逊相关系数）。对于结构网络，基于弥散张量成像（DTI）的流程包括数据格式转换、涡流和头动校正、张量模型拟合和纤维束追踪。此外，综述还总结了常用的公开脑网络数据集（如ABIDE, HCP, ADNI）及其特点，为研究者选择合适的数据进行实验提供了便利。

观点六：当前GNN脑网络分析方法仍面临开放挑战，未来存在多个富有前景的发展方向。 在系统回顾现有方法的基础上，作者指出了该领域尚未满足的需求和未来可能的突破点：1) 数据稀缺与异质性：需要更强大的小样本学习、域适应和数据生成技术。2) 模型可解释性与可靠性：需开发更具说服力、更稳健的生物标志物识别方法，并建立评估解释方法可靠性的客观标准。3) 复杂动态建模：如何更精细地建模脑网络在毫秒到分钟级的多尺度动态变化仍需探索。4) 从单一疾病诊断到谱系与轨迹分析：模型需要能够处理疾病内部的异质性，并预测疾病的发展轨迹。5) 技术整合与交叉验证：需要将计算模型与神经科学的理论发现更紧密地结合，并进行多中心验证。

论文的意义与价值 本综述具有重要的学术价值和实践指导意义。首先，它首次从计算机科学视角，系统性地对GNN在fMRI功能脑网络分析中的应用进行了多维度的梳理和分类，构建了一个清晰的技术图谱，有助于研究者快速把握领域现状和脉络。其次，综述不仅总结了方法，还深入剖析了每类方法背后的设计动机、优势与不足，并对跨被试、跨模态、跨时间三大核心挑战下的解决方案进行了对比分析，为研究者根据具体需求（数据来源、分析目标）选择或设计合适的GNN模型提供了宝贵的技术参考。第三，论文详细列出了常用数据集和脑网络构建流程，提升了研究的可复现性。最后，通过对开放挑战和未来方向的深入讨论，该综述指明了领域发展的关键瓶颈和潜在机遇，将有力推动GNN技术在脑网络分析，特别是处理复杂脑网络结构、多模态整合及动态时序特征等前沿方向的深入应用，促进计算机科学与神经科学、临床医学的跨学科合作。与以往的综述相比，本文更侧重于从建模方法和计算技术层面进行深入剖析，对于具有计算机科学背景、希望将GNN应用于脑网络分析的研究者和实践者而言，具有更高的参考价值。