基于图深度学习的医疗诊断与分析：过去，现在与未来

随着数据驱动的机器学习研究的发展，各种各样的预测问题得到了解决。探索如何利用机器学习，特别是深度学习方法来分析医疗数据已经变得至关重要。现有方法的一个主要局限性是专注于网格数据; 然而，生理记录的结构通常是不规则的和无序的，这使得很难把它们作为一个矩阵来概念化。因此，图神经网络通过利用生物系统中的隐式信息，利用边缘连接的交互节点吸引了大量的关注，这些边的权重可以是时间关联或解剖连接。在本综述中，我们全面回顾了不同类型的图架构及其在医疗保健中的应用。我们以系统的方式概述了这些方法，并按照它们的应用领域组织起来，包括功能连接、解剖结构和基于电的分析。我们还概述了现有技术的局限性，并讨论了未来研究的潜在方向。

https://www.zhuanzhi.ai/paper/93391ccf2368809646650183224eee1c

引言

医学诊断是指一个人可以确定哪种疾病或状况可以解释病人的症状的过程。疾病诊断所需的信息来自患者的病史和各种医学测试，这些测试通过诊断成像数据获取患者的功能和解剖结构，如功能磁共振成像(fMRI)、磁共振成像(MRI)、计算机断层扫描(CT)、超声(美国)和X射线; 其他诊断工具包括脑电图(EEG)。然而，考虑到通常耗时的诊断过程容易产生主观解释和观察者间的变异，临床专家已经开始从计算机辅助干预中获益。自动化在医疗保健服务和医生有限的情况下也有好处。自动化正在努力提高医疗保健系统的质量和降低成本[1]。通过将特征工程任务合并到学习任务[2]中，深度学习提供了一个解决这些需求的有效途径。有几篇综述论文分析了传统机器学习和深度学习方法在医学异常和解剖结构检测和分割、运动障碍和序列数据分析、计算机辅助检测和计算机辅助诊断方面的好处。

图网络属于一个新兴领域，它也在许多技术领域产生了巨大的影响。来自化学、生物学、遗传学和医疗保健等学科的许多信息并不适合基于矢量的表示，而是需要复杂的数据结构。图本质上捕获实体之间的关系，因此在这些应用中可能非常有用，可以对变量之间的关系信息进行编码。例如，在医疗保健领域，可以通过在医生的决策过程[7]中将疾病或症状与主题关联起来，或为乳腺癌分析[8]建立RNA序列模型来构建知识图谱。因此，特别将图神经网络(GNN)推广为非结构(无序)和结构(有序)场景。然而，尽管基于图的表示在医学领域的使用越来越普遍，但与传统的深度学习方法相比，此类方法仍然稀缺，而且它们解决许多具有挑战性的医学问题的潜力尚未完全实现。

关于GNNs的深度学习领域迅速增长，其受欢迎程度也反映在最近对图形表示及其应用的大量综述中。现有综述全面概述了非欧氏数据深度学习、图深度学习框架和现有技术的分类[9]，[14];或者介绍包括生物学和信号处理领域[15]-[18]的一般应用。尽管一些论文使用深度学习技术概述了医学图像分析，并引入了GNN的概念来评估神经疾病[19]，据我们所知，目前还没有系统介绍和讨论GNN在非结构化医学数据中的当前应用。

在本文中，我们致力于提供一个多图神经网络(GNN)模型在医疗诊断和分析方面的全面回顾。我们试图解释为什么GNN在这个领域值得研究的根本原因，并强调了新兴的医疗分析挑战，GNN可以很好地解决。图神经网络在医学信号处理和分析中的应用尚处于起步阶段。在本文中，我们提出了一项综述，将图神经网络应用于医疗诊断任务，并提出了该领域的最新方法和趋势的现状。