可解释图神经网络：阿尔茨海默病等症脑连接与生物标志物的理解
机器学习
2025-09-24 v1
摘要
阿尔茨海默病、帕金森病、前额时性痴呆和血管性痴呆等是多种病因共存的渐进性神经退行性疾病。其临床和生物学的异质性使得诊断和亚型区分高度具有挑战性。图神经网络 (GNN) 最近在建模脑连接方面显示出强大的潜力，但其受限的鲁棒性、数据稀缺性以及缺乏可解释性约束了临床应用。可解释图神经网络 (XGN) 通过结合图基学习与可解释性，旨在解决这些障碍，使能够识别与疾病相关的生物标志物、分析脑网络的破坏，并为临床医生提供透明的见解。本文介绍了首个专门针对痴呆研究中 XGN 的综合综述。我们审查了其在阿尔茨海默病、帕金森病、轻度认知障碍和多疾病诊断中的应用。针对痴呆相关任务的可解释性方法分类学被提出，同时对现有模型在临床情境下的比较进行了比较。我们还指出了诸多挑战，如局限的可推广性、未被充分探索的领域以及将大型语言模型 (LLM) 集成用于早期检测等。通过概述进展与开放问题，本综述旨在为痴呆研究中可信赖、临床上有意义且可扩展的 XGN 的未来工作指明方向。
引用
@article{arxiv.2509.18568,
title = {Explainable Graph Neural Networks: Understanding Brain Connectivity and Biomarkers in Dementia},
author = {Niharika Tewari and Nguyen Linh Dan Le and Mujie Liu and Jing Ren and Ziqi Xu and Tabinda Sarwar and Veeky Baths and Feng Xia},
journal= {arXiv preprint arXiv:2509.18568},
year = {2025}
}