Discovering robust biomarkers of neurological disorders from functional MRI using graph neural networks: A Review

图神经网络（GNN）已成为建模功能性磁共振成像（fMRI）数据集的流行工具。许多最近的研究通过更复杂的GNN设计报告了在障碍分类性能方面的显着改进，并强调了可能是障碍的潜在生物标志物的显著特征。在本综述中，我们概述了GNN和模型可解释性技术如何应用于fMRI数据集进行障碍预测任务，并特别强调了生物标志物的鲁棒性，这些生物标志物可能是神经退行性疾病和神经精神障碍的生物标志物。我们发现，虽然大多数研究具有优秀的模型，但这些研究中突出的显著特征在同一障碍的研究中差异很大，并且很少有研究评估它们的鲁棒性。为了解决这些问题，我们建议建立基于客观评估指标的新标准，以确定这些潜在生物标志物的鲁棒性。我们进一步强调了现有文献中的差距，并提出了一个预测-归因-评估框架，该框架可以为通过GNN发现潜在生物标志物的鲁棒性的未来研究奠定基础。

本文旨在探讨如何使用图神经网络（GNN）对功能性磁共振成像（fMRI）数据集进行疾病分类，并发现可能成为潜在生物标志物的显著特征。此外，本文还试图解决潜在生物标志物鲁棒性的问题。

本文提出了一种预测-归因-评估框架，以评估潜在生物标志物的鲁棒性，并建议建立基于客观评估指标的新标准。

本文总结了如何使用GNN和模型可解释性技术在fMRI数据集上进行疾病预测任务，并强调了潜在生物标志物的鲁棒性问题。实验结果表明，虽然大多数研究具有高性能模型，但在同一疾病的不同研究中突出显示的显著特征差异很大。本文建议建立新的标准来确定这些潜在生物标志物的鲁棒性，并进一步强调现有文献中的差距。

相关研究包括使用GNN进行脑网络建模和疾病分类的研究，以及使用fMRI数据集进行疾病分类的研究。例如，一些相关论文的标题包括“使用GNN进行脑网络建模”和“使用fMRI数据进行神经退行性疾病分类”。