图神经网络在fMRI功能脑网络分析中的前沿进展与挑战综述

本综述系统探讨了图神经网络（GNN）在功能磁共振成像（fMRI）脑网络分析中的创新应用，涵盖跨主体、跨模态与跨时间维度的方法学突破，为精神疾病诊断与脑认知研究提供了计算范式转型的重要参考。

　　

亮点

本综述聚焦图神经网络（GNN）在功能脑网络（FBN）分析中的前沿方法，从跨主体、跨模态与跨时间三大维度系统梳理技术框架，并深入探讨其在精神疾病 biomarker 挖掘、多中心数据泛化与动态网络建模中的突破性应用。

跨主体GNN方法

传统GNN模型常假设脑网络节点（对应脑区）在个体间独立，忽略了同一临床或人口学群体可能共享的结构与功能相似性。跨主体GNN方法通过挖掘群体共享模式与一致性表征，显著提升模型在多中心异构数据中的泛化能力与鲁棒性。

跨模态GNN方法

单一成像模态（如fMRI）常受限于时空分辨率，而多模态融合（如fMRI+DTI）可构建更全面的脑网络表征。跨模态GNN方法通过整合多源数据，规避信息偏差与模态冲突风险，增强对脑功能复杂性的刻画能力。

跨时间GNN方法

脑功能连接在病理演进或任务执行中呈现显著动态变化。跨时间GNN引入动态图建模（如时序GNN、时空图卷积网络），捕捉不同时间点间的过渡模式，提升对疾病进展的刻画能力与早期检测灵敏度。

数据集

本章介绍常用MRI公开数据集，按模态分为功能磁共振（fMRI）数据集与结构MRI数据集，为研究者提供标准化数据源参考。

结论

本综述系统回顾了图神经网络基础概念及其在脑疾病诊断中的挑战应对策略，重点从跨主体、跨模态与跨时间三大视角评述了脑网络构建与分析技术的优势与局限，为未来面向复杂脑网络结构的GNN方法开发指明方向。