脑网络分析中的多视图图学习：综述

《TRENDS IN FOOD SCIENCE & TECHNOLOGY》：Multi-View Graph Learning in Brain Network Analysis: A Survey

　　

Jiaxing Xu|Xia Dong|Tiancheng Huang|Kai He|Qika Lin|Danyang Wu|Wei Zhang|Yiping Ke|Mengling Feng|Philip S. Yu

• •
  提出了多视图脑网络分析的统一分类体系。
• •
  综述了多模态、多分区以及多时相分析方法。
• •
  总结了相关数据集、预处理问题以及评估挑战。
• •
  分析了从构建到决策层面的多视图融合策略。
• •
  指出了可扩展集成方面的关键挑战与未来发展方向。

引言

了解人类大脑的复杂结构对于阐明其功能以及诊断神经系统疾病至关重要[1]、[2]。功能性磁共振成像、扩散张量成像和脑电图等神经影像技术的快速发展，极大地提升了我们研究大脑连接性与组织结构的能力。分析神经影像数据的一种常见方法是将大脑表示为图结构，即脑网络，其中大脑各区域被视为节点，它们之间的关联则用边来表示[3]。这种基于图的表征方式能够捕捉大脑区域间的连接关系，从而为了解大脑活动及网络结构提供重要线索。

近年来，图论和机器学习技术的应用为脑网络分析带来了巨大助力[4]、[5]。通过将图表示学习与脑网络相结合，这些方法在理解各种任务下的大脑活动方面展现出强大能力，应用场景包括疾病诊断[6]、[7]、[8]、神经发育预测[4]、[9]以及大脑年龄预测[10]。然而，现有的数据集往往规模有限，且信噪比较低[11]、[12]，这给训练出能产生准确结果的深度模型带来了困难。仅从单一视角来表征大脑，必然无法完整呈现其结构特征。不同的神经影像技术能够捕捉互补的生物学特性：结构性成像技术（如扩散张量成像）用于描述大脑的解剖结构，而功能性成像技术（如功能性磁共振成像和脑电图）则能反映不同时间与空间分辨率下的神经活动。即便在同一类成像技术中，不同的脑区划分方案会体现不同的空间粒度，多种连接性度量指标可用于描述大脑区域间的不同关联，时间分割策略则能揭示不同时间尺度上的大脑动态变化。因此，没有任何一种脑网络能够全面描述人类大脑的复杂结构。整合这些互补的信息视角，能够让图学习模型捕获更丰富的结构与功能信息，提升模型对噪声和数据采集差异的抵抗能力，增强跨数据集的泛化能力，进而形成更具生物学意义的表征方式。正是由于这些优势，多视图脑网络分析近年来逐渐成为一项重要的研究方向。

随着计算机科学和神经科学领域中关于多视图脑网络分析的研究不断增多，开展一项全面的现有研究进展综述显得尤为必要。目前缺乏系统性的综述，导致术语使用、数据应用以及方法定义等方面存在不一致之处，这对刚接触该领域的研究人员来说尤其容易造成困惑。本综述旨在填补这一空白，通过总结代表性的方法、数据集以及关键挑战，帮助研究人员更清晰地了解该领域的当前进展、主要难题以及新兴趋势。具体而言，我们首先介绍多视图脑网络分析中常用的数据集。随后，我们提出一种分类体系（见图1），将现有方法分为三大类：（1）多模态方法，这类方法整合来自不同神经影像技术的数据；（2）多分区方法，这类方法利用具有不同空间粒度的一系列解剖或功能分区方案；（3）多时相框架，这类方法能够考虑多个时间尺度上的时间动态变化。此外，我们还探讨了数据整合、方法开发方面的关键挑战，以及图学习在解决这些问题中的作用。同时，我们也提出了推动该领域发展的潜在未来研究方向。本综述的核心目标是为多视图脑网络分析提供新的视角，激发更多研究成果的产生，为这个快速发展的领域建立更为统一的术语、方法与数据框架。据我们所知，这是首篇关于脑网络分析中多视图图学习的全面综述。我们的贡献如下：

• •
  我们详细介绍了常用的数据集，总结了现有的主流数据资源，并从数据驱动的角度分析了当前面临的相关挑战。
• •
  我们提出了一种多层分类体系，将现有方法归纳为多模态、多分区以及多时相三大类，从而明确了术语上的模糊之处，为该领域提供了清晰的概览。
• •
  我们指出了该领域存在的关键挑战与未解问题，同时提出了潜在的未来研究方向，为多视图脑网络分析的进一步发展提供指导。

本综述的其余部分结构如下：第2节阐述本综述的研究范围与搜索策略；第3节介绍脑网络构建、多视图图学习以及图神经网络的基础概念；第4节概述多视图脑网络分析中常用的数据集；第5节介绍用于对多视图脑网络分析方法进行分类的体系；第6节分析现有方法的局限性并探讨未来的研究方向；最后，第7节对整个综述进行总结。

章节要点

综述范围

本综述聚焦于应用于多视图脑网络的图表示学习方法。我们重点研究以下来源的多视图脑网络：（1）多种神经影像技术共同获取的数据；（2）同一神经影像技术结合多种脑图谱或不同分辨率得到的数据；（3）同一神经影像技术采用相同分区方案但在不同时间点获取的数据。除了对现有方法进行梳理外，我们还致力于构建一个全面的框架，以便更清晰地阐述该领域的核心内容

脑网络定义

神经影像技术。不同的神经影像技术能够提供关于大脑结构、功能以及病理状态的互补信息。磁共振成像是种广泛应用于获取大脑组织解剖信息的成像技术，常被用来界定大脑区域或提取结构特征。功能性磁共振成像则能够检测血氧水平依赖信号，这种信号可间接反映神经活动，也被广泛用于

脑网络数据集

数据集。在本文所分析的124篇研究中，共使用了56个不同的数据集，其中30个为开放获取数据集。另有20%的研究完全依赖于私有数据集。在本节中，我们介绍了在10篇以上研究中被使用的10个数据集。这些数据集的详细信息，包括所属成像类型、受试者数量以及其主要应用任务，均列于表2中。除少数例外，所有这些数据集都是公开可用的

脑网络分析中多视图图学习的分类体系

鉴于多视图脑网络分析领域的快速发展以及新出现的诸多挑战，我们提出了该领域的全面分类体系，以帮助研究者跟踪该领域的进展。具体而言，我们将现有研究分为三类：（1）多模态脑网络分析；（2）多分区脑网络分析；（3）多时相脑网络分析。图5展示了多视图脑网络分析相关论文的数量变化趋势，可见

未来研究方向

上述方法学的发展趋势表明，多视图脑网络分析正从简单的视图聚合方式向更符合原理的多图表示学习方向发展。在不同研究范式中，该领域已逐步从手工设计的特征融合和独立视图建模，转向自适应图构建、跨视图对齐、基于注意力的融合、自监督学习以及图基础模型等更先进的技术。尽管取得了这些进展，该领域仍面临若干挑战

结论

在本综述中，我们介绍了脑网络分析中的多视图图学习方法，并指出了该领域面临的关键研究挑战。我们概述了常用的数据集，系统地回顾了现有的研究工作，并总结了具有代表性的方法。除了总结该领域的现状之外，我们还分析了当前存在的问题，并探讨了未来的研究方向。通过阐述将多视图图学习应用于脑网络分析的潜力与挑战，

CRediT作者贡献说明

Jiaxing Xu：写作——审阅与编辑，写作——初稿撰写，资源收集，研究实施，概念构思。Xia Dong：写作——初稿撰写，研究实施，数据整理，概念构思。Tiancheng Huang：写作——初稿撰写，研究实施，概念构思。Kai He：写作——审阅与编辑，结果验证，研究实施。Qika Lin：写作——审阅与编辑，结果验证，研究实施。Danyang Wu：写作——审阅与编辑，结果验证，研究实施。Wei Zhang：结果验证，

利益冲突声明

作者声明不存在任何可能影响本文研究结果的已知财务利益冲突或个人关系。