基于腦網絡的圖卷積神經網絡在腦疾病中的研究進展

張 格，林 嵐，吳水才

（北京工業大學環境與生命學部生物醫學工程系智能化生理測量與臨床轉化北京市國際科研合作基地，北京100124）

0 引言

人體大腦中的大量神經元、神經元集群和腦區在時空尺度上相互連接并傳遞信息構成了復雜的腦網絡系統[1-2]。研究者充分意識到基于圖論復雜網絡分析的重要性，提出了腦連接組的概念[3]。腦連接組研究將大腦視為縱橫交叉、相互連接的復雜統一體，研究者致力于從宏觀到微觀角度，全面且細致地研究人體大腦網絡的連接規律、信號交換與腦區間的影響等。已往研究顯示，阿爾茨海默病（Alzheimer’s disease，AD）、精神分裂癥、抑郁癥等多種疾病與腦網絡的異常連接密切相關[4-8]。隨著神經影像技術和基于圖論復雜網絡分析工具的快速發展，以結構性磁共振成像（structural magnetic resonance imaging，sMRI）、彌散張量成像（diffusion tensor imaging，DTI）生成的腦結構連接網絡和基于功能性磁共振成像（functional magnetic resonance imaging，fMRI）、腦電圖（electroencephalogram，EEG）、腦磁圖（magnetoencephalography，MEG）生成的腦功能連接網絡[9-10]為深入窺探大腦認知活動的基本規律和各種疾病的發病機理提供了全新視角[11-12]。

從圖論的角度，腦網絡在形式上可以表示為連接一組節點和一組邊的集合。網絡節點具有不同層次規模，對于DTI和f MRI一般基于預定義的解剖和功能模板定義，而EEG和MEG一般以電極帽內電極作為節點。節點間的相互關系可以看作是復雜網絡的邊，因此存在不同性質、不同類型的腦網絡，如由DTI生成的腦結構連接網絡一般基于確定性或概率性纖維追蹤腦區間白質纖維連接數量來構建。由sMRI生成的腦結構連接網絡一般基于各個腦區的形態學特征（皮層厚度、曲率、表面積等）關系進行構建。而fMRI、EGG、MEG等生成的腦功能連接網絡一般基于網絡不同節點的時空相關性構建，網絡形式也可以被進一步分為二值網絡或加權網絡。腦結構和功能連接網絡的基本構建流程如圖1所示。

圖1 腦結構和功能連接網絡構建流程圖

近年來，隨著醫學工程技術和計算機技術的快速發展，神經影像領域迎來了大數據時代。機器學習、深度學習等技術與腦網絡分析相結合，突破了傳統神經影像分析方法的局限性，從連接性差異角度為腦科學研究創立了新的應用模式。Cui等[13]基于AD患者（N=21）、輕度認知障礙（mild cognitive impairment，MCI）患者（N=25）和健康認知（healthy cognitive，HC）受試者（N=22）的fMRI數據構建最小生成樹腦功能連接網絡。根據最具判別力的子網絡重建腦網絡，并從重建的腦網絡中提取網絡拓撲特征，利用支持向量機（support vector machines，SVM）分類器對3組患者進行分類，模型具有較高準確率。Kong等[14]基于78例孤獨癥譜系障礙（autism spectrum disorder，ASD）患者的T1WI sMRI構建基于皮層特性的個體腦結構連接網絡并提取網絡關鍵特征，采用深度神經網絡（deep neural network，DNN）對ASD和HC進行分類，分類準確率達90.4%。Lotfan等[15]基于23例健康男性在不同壓力狀態下采集的EEG數據分別構建個體腦功能連接網絡，利用距離補償評估技術選擇腦功能連接網絡中的最佳敏感特征，通過SVM模型對數據集進行半監督訓練學習，狀態判別準確率達93.6%。Lin等[16]基于112例健康老年人的DTI數據構建個體腦結構連接網絡，采用主成分分析法（principal component analysis，PCA）對腦網絡的全局與局部屬性進行降維，利用神經網絡對健康老年人腦年齡進行預測，預測腦年齡的平均絕對誤差僅為4.29 a。

深度學習模型具有較強的復雜特征提取和表達能力[17-19]，其中卷積神經網絡（convolutional neural networks，CNN）算法以其局部連接、權值共享的優點被廣泛應用于計算機視覺、自然語言處理等領域。但CNN算法只能處理歐氏空間中的數據，例如一維文本數據、規則的二維和三維數據，無法處理各個腦區鄰域非規則、非歐空間數據的腦網絡。圖卷積神經網絡（graph convolutional neural networks，GCN）算法是圖論復雜網絡分析工具與CNN算法相結合的綜合體，可處理腦網絡中的不規則空間數據，并保留了CNN算法局部連接、權值共享等優勢，為理解腦疾病發病機理、診斷和預測提供了新的機制。本文首先介紹腦結構和功能連接網絡的構建及深度學習在該領域的部分應用，然后根據特征提取方法差異分別介紹頻域和空間域GCN的基本思想和模型，并列舉目前GCN在腦疾病研究中的應用，最后分析多模態、多網絡構建方法以及影像和非影像特征對該領域研究的影響，提出今后潛在的研究方向。

1 GCN算法

GCN算法可看作是CNN算法在非歐幾里得域運算的推廣，其從解決非歐空間節點分布不規則和節點鄰居數量隨機的問題出發，從不規則拓撲圖中提取圖中隱含特征。GCN算法關注的對象是由節點和含有節點間關系的邊組成的拓撲圖，完成特征提取后，使用這些特征完成對圖數據的節點分類、圖分類和邊預測等任務[20]。根據特征提取方法的不同，GCN可分為頻域法和空間域法。

1.1 頻域法

基于頻域的GCN算法，其基本思想是利用信號處理理論將空間中的卷積運算映射為頻域中的乘積運算。具體分為2步：（1）在不規則圖上進行傅里葉變換，將空間域信號映射到頻域。（2）在頻域圖上進行乘法運算。傅里葉變換是時域信號與拉普拉斯算子特征函數在時間上的積分，確定不規則圖上的拉普拉斯算子就可以進一步定義圖上的傅里葉變換形式。不規則圖的拉普拉斯矩陣L由節點的度矩陣D和鄰接矩陣A定義，即L=D-A，其對稱歸一化形式為L=I N-D-1/2AD-1/2=UΛUT（I N為單位矩陣；U為拉普拉斯矩陣L的特征向量；Λ為拉普拉斯矩陣的特征值構成的對角陣）。特征向量U對應頻域中拉普拉斯算子的一組正交基，借助不規則圖拉普拉斯矩陣的特征向量，可得時域信號f及濾波器g在圖上的矩陣傅里葉變換形式：

圖的頻域信號卷積運算可表示為：

式中，h為該層激活函數；p和q分別是該層的輸入、輸出特征維數為圖中節點在第n層的第i個輸入特征，其中R為所有輸入特征的集合。公式（4）涉及矩陣L的特征分解，在大圖中特征分解的計算復雜度呈指數增長且未實現卷積的局部連接特性。針對計算復雜度和局部連接問題，Defferrard等[21]提出第二代GCN，即切比雪夫圖卷積神經網絡（Chebyshev GCN，ChebNet-GCN），用切比雪夫多項式近似擬合濾波器gθ。ChebNet-GCN不再依賴于整個圖，而是依賴于距離中心節點K步之內的節點（即K階鄰居），中間計算過程不涉及矩陣的特征分解，降低了計算復雜度，第n層的結構定義如下：

式中，θk為切比雪夫多項式參數為切比雪夫多項式。公式（6）為切比雪夫多項式的遞歸定義，ChebNet-GCN的誕生開啟了GCN在大型圖領域的分析與應用。隨后Kipf等[22]在ChebNet-GCN的基礎上進一步簡化模型，使中心節點僅可學習到一階鄰居信息并固定拉普拉斯矩陣的最大特征值，令λmax=2，為了進一步防止過擬合令切比雪夫多項式系數滿足θ=θ0=θ1，由此可得到一階ChebNet-GCN，即GCN。公式（7）為第m層結構定義：

1.2 空間域法

基于空間域的GCN提取特征方式可類比CNN在二維圖像上的卷積。GCN直接在圖上定義卷積運算，通過聚合鄰居節點的信息進一步更新中心節點的狀態。空間域GCN的卷積運算主要涉及2個方面的問題：（1）根據各個節點不同數目的鄰居定義卷積核大小。（2）處理節點不同數目的鄰居特征。圖歸納網絡（sample and aggregate graph，GraphSAGE）[23]引入聚合函數定義了卷積運算，該模型首先對中心節點的一階鄰居進行隨機采樣，然后通過聚合采樣的鄰居節點信息再更新節點自身狀態。類似GraphSAGE固定中心節點鄰居數量的還有可學習式圖卷積神經網絡（learnable GCN，LGCN）[24]、劃分式圖卷積神經網絡（partition graph convolutional-deep graph CNN，PGC-DGCNN）[25]等。中心節點將多個鄰居的信息都聚合到自身會造成信息冗余，圖注意力網絡（graph attention network，GAT）[26]以及門控注意力網絡（gated attention network，GaAN）[27]引入注意力機制來評價不同鄰居節點對中心節點的貢獻，進一步篩選出對中心節點更重要的信息來更新圖的狀態。

1.3 頻域及空間域GCN的比較

雖然頻域和空間域GCN是從不同域提取不規則圖的拓撲特征，但隨著頻域GCN的不斷發展，二者已經成為“包含”關系，頻域GCN是一種特殊的空間域GCN。從卷積核的設計角度出發，頻域中的3個GCN都可看作是在頻域中利用了圖的特征向量及其變體作為聚合函數進而聚合圖中其他節點信息并進一步更新自身中心節點的狀態，因此頻域GCN是一種顯示了譜變換空間的特殊空間域GCN。例如，一階ChebNet-GCN先變換一階鄰居節點特征再進行特征聚合，這充分體現了空間域GCN的“信息聚合”思想，其雖然是頻域GCN發展過程中的產物，但同時也是空間域GCN發展的開端。

1.4 GCN變體模型

GCN算法能較好地對復雜網絡特征進行提取和表達，在社交、交通、化學等多個領域應用，進一步演化出眾多變體模型并各有其特點。在頻域中，有研究者根據傅里葉變換思想提出了圖小波神經網絡[28]，該方法利用小波變換實現信號從空間域映射到頻域，模體網絡[29]實現GCN在有向圖上的應用。相比頻域，空間域GCN發展較為迅速，在鄰域信息的處理機制方面涌現出GAT[26]、GaAN[27]等模型，在大規模網絡應用方面涌現出GraphSAGE[23]、對偶圖卷積神經網絡[30]，此類模型可降低訓練的節點或邊數量，優化GCN在大規模網絡的應用。另外，GCN在對節點及邊緣這種固有特征學習外，還可利用子圖拆解或對偶圖構建的方法學習額外的網絡信息，代表模型有關系圖神經網絡[31]、關系圖注意力網絡[32]等，其進一步學習網絡的邊屬性及高階網絡結構等特征。動態腦網絡以時間為單位刻畫了腦網絡隨時間的實時工作機制變化，為解釋人類大腦高級認知能力研究提供了重要參考價值，因而受到廣泛關注。圖卷積遞歸神經網絡[33]等組合式模型既利用GCN對網絡的復雜拓撲特性進行提取，同時利用可捕獲數據時間動態特征的模型達到充分考慮網絡圖的空間及時間依賴的性能。

2 GCN在腦疾病研究中的應用

由于具備處理不規則空間數據的優勢，GCN已在交通流、化學成分結構、生物基因蛋白等數據領域得到成功應用[34]。將大腦連接性建模為不規則圖能較好地反映腦連接網絡的特性，因此隨著GCN研究的不斷深入和推廣，GCN逐漸開始被應用于腦疾病的分類與預測研究中。其中腦部卷積神經網絡（CNN for brain networks，BrainNetCNN）[35]模型秉承GCN的“信息聚合”思想，包含3種不同尺度的信息聚合濾波器。腦結構連接網絡由115例早產兒的DTI數據構建，網絡大小為90×90。BrainNetCNN模型提取早產兒的腦網絡特征，并對早產兒腦健康發育情況進行預測。模型預測嬰兒的胎齡誤差僅為2周。隨著BrainNetCNN的成功應用，研究者開始注意到GCN在不規則腦網絡圖中良好的特征提取能力，由此開啟了GCN算法在腦疾病中的研究工作[35]。

2.1 頻域GCN在腦疾病中的應用

頻域GCN模型與CNN架構較為近似，輸入的網絡連接圖和節點特征矩陣經圖卷積層提取隱藏的特征、池化層進行聚合降維，全連接層和分類函數輸出分類結果。由于腦網絡的相似性度量學習可以在保留輸入空間語義距離的同時，將輸入的網絡模式映射到目標函數空間，因此在頻域研究中孿生網絡與頻域GCN被結合應用。基于GCN算法和孿生網絡構建的腦網絡相似性度量學習模型的輸入是一對腦網絡，若2例受試者為同一類型則為匹配對，反之則是非匹配對，2個共享權重的相同頻域GCN網絡分別提取2個腦網絡圖特征，2個分支提取的特征經融合層融合為一維向量，再由距離度量函數輸出相似性分數，該相似性度量學習基本模型如圖2所示。通過學習匹配對和非匹配對的腦網絡之間的相似性和差異性，大大擴充了模型的訓練樣本量，通過該模型得出的相似性度量分數也進一步為疾病的分類和預測任務提供了重要參考依據。Ktena等[36]基于腦網絡相似性度量學習模型進行疾病分類探究。數據集為自閉癥腦成像數據交換（Autism Brain Imaging Data Exchange，ABIDE）數據庫中的部分數據，包含來自20個采集地點且采集協議均不同的403例ASD患者及468例HC受試者的rs-fMRI數據，采用時間序列相關性根據哈佛牛津模板構建大小為110×110的腦功能連接網絡。2層頻域GCN用于提取腦網絡圖特征，濾波器的切比雪夫多項式系數K為3，表明濾波器學習距離中心腦區3步以內的鄰域腦區信息。五折交叉檢驗結果顯示，基于所有數據的匹配對和非匹配對分類工作特性AUC值為0.58，其中在具有最大樣本量的單個采集地點AUC值為0.64。在相似性度量分數的基礎上，K近鄰分類器進一步對樣本進行分類，基于所有數據的分類準確率為66.0%，在具有最大數據量的單個采集地點分類準確率為68.0%，較K最鄰近分類算法（K-nearest neighbor，KNN）分類器準確率有明顯提升。

圖2 腦網絡相似性度量學習模型

在頻域GCN算法中融入隨機游走策略可獲得腦網絡高階特征。Ma等[37]基于ABIDE數據集（ASD，N=70；HC，N=102）、人腦連接組計劃（HC，N=100）、艾滋病（acquiredlmmune deficiency syndrome，AIDS）數據集（AIDS，N=56；HC，N=21）、雙向情感障礙（bipolar disorder，BP）數據集（BP，N=52；HC，N=45）的靜息態fMRI（rs-fMRI）數據分別構建個體腦功能連接網絡。融入隨機游走策略同時從設定的多個中心節點出發，調節滑動窗口和游走長度隨機獲取各個中心節點的鄰居并更新腦網絡。模型卷積層數為2，K為3。五折交叉檢驗結果顯示，在ASD、HC、AIDS、BP 4個數據集中匹配對及非匹配對分類的AUC值分別為0.96±0.02、0.98±0.03、0.77±0.20、0.94±0.07，遠優于經PCA和譜嵌入2種方法學習到的低維特征作為模型輸入的結果。根據模型在ABIDE和BP數據集學習的相似性分數，采用K近鄰分類器對2個數據集的樣本進行分類，分類準確率分別為66.0%和67.0%。該模型將捕捉到的高階鄰近性和全局結構融入圖形表示以獲得更復雜的腦網絡拓撲信息，在小數據量的ABIDE數據中也可獲得不錯的分類結果。

不同腦網絡追蹤方法構建的腦網絡存在互補性，融合后可進一步提升模型的性能。Zhang等[38]基于帕金森患者（N=596）和HC受試者（N=158）的DTI數據構建大小為84×84的個體腦結構連接網絡模型。該研究使用6種不同腦纖維束追蹤算法得到同一受試者的6種不同腦結構連接網絡，經頻域GCN處理后可融合為一個特征矩陣，再與另一受試者的融合特征矩陣進行相似性度量后，經Softmax函數獲得腦網絡關系的預測結果，架構如圖3所示。五折交叉檢驗結果顯示，在匹配對和非匹配對分類中，GCN算法與元素最大池化算法結合構建的模型AUC值達0.954±0.059，優于PCA和全連接網絡。根據匹配對和非匹配對分類分數，進一步使用K均值算法對數據進行聚類分析，聚類標準化互信息達1.00。Zhang等[39]基于同樣影像數據構建了大小為84×84的個體腦結構連接網絡。為研究非影像的臨床縱向信息對疾病分類的影響，建立了用于腦網絡度量學習的記憶GCN模型。該模型共有3個分支，其中2個分支都使用3個卷積層提取腦網絡特征，另一分支利用記憶機制從受試者的電子健康記錄序列中提取對診斷有用的縱向信息并融入另外2個提取特征的分支中。利用雙線性匹配函數設計融合層，將電子健康記錄序列與頻域GCN獲取的神經影像信息融合得到患者較全面的特征信息。模型增加多跳策略不斷迭代更新電子健康記錄信息，保證將患者全局電子信息充分納入分析中。該模型的匹配對與非匹配對分類準確率可達96.0%，AUC值為0.968±0.063，與傳統機器學習方法相比較優，與Zhang等[38]研究結果基本一致。

圖3 基于頻域GCN的多視圖卷積神經網絡分類架構[38]

2.2 空間域GCN在腦疾病中的應用

空間域GCN關注各個腦感興趣區間的相互連接，聚合鄰近節點或邊上攜帶的信息并更新中心節點或邊的狀態。BrainNetCNN[35]模型是空間域GCN在腦連接網絡分析中的代表，通過構建3種不同尺度的濾波器聚合不同類型的鄰域信息，空間域GCN在腦疾病應用中多以該模型提出的濾波器提取不規則腦網絡特征為主。模型中濾波器的類型有以下3種：（1）邊到邊濾波器，將鄰居邊的權重信息聚合到中心邊并更新中心邊的狀態。（2）邊到節點濾波器，將連接到節點的每條邊的傳入和傳出權重進行加權組合計算節點的單個輸出值。（3）節點到圖濾波器，獲得所有節點的單個響應值。

基于相同的不規則圖數據特征提取任務，較簡單的空間域GCN模型與傳統機器學習方法相比顯示出較大優勢。Song等[40]基于HC、早期MCI、晚期MCI、AD 4類受試者（各12例）的DTI數據，采用自適應合成采樣技術擴充至每個類型132例，使用預定義模板構建大小為112×112的個體腦結構連接網絡。模型共含有9個卷積層，采用BrainNetCNN中的3種不同卷積濾波器提取腦網絡連接特征，2個全連接層分別輸出32、10個節點，平均分類準確率達89.0%，顯著優于網絡節點度和聚類系數作為輸入的SVM模型。

基于相同腦連接網絡，通過設計不同卷積核可提取不同類型圖特征而進一步提高模型性能。Meszlényi等[41]根據25例MCI患者和24例HC受試者的rs-fMRI數據構建大小為499×499的個體腦功能連接網絡，使用反映功能連接強度的動態時間扭曲距離和連接穩定性的扭曲路徑長度2個指標作為互補信息共同描述節點間的連接性。模型的行（濾波器大小為1×499）、列（濾波器大小為499×1）卷積層分別考慮鄰居節點對中心節點的傳入和傳出權重信息。2個卷積層分別含64、128個濾波器，第二個卷積層輸出的128維特征向量作為全連接層的輸入，經Softmax函數輸出分類標簽，該模型分類準確率達71.9%，優于SVM模型和DNN算法。Phang等[42]基于45例精神分裂癥患者和39例HC受試者的EEG數據中16個通道記錄的信息構建大小為16×16的個體腦功能連接網絡。模型共有3個分支，其中2個分支分別使用二維卷積層提取頻域部分定向相干系數、時域向量自回歸模型系數，另一分支使用一維卷積層對網絡復雜拓撲特征進行提取，模型架構如圖4所示。獲取的特征通過全連接層和Softmax函數輸出預測概率，并在決策級進行融合后經多數投票法輸出良性或惡性標簽，五折交叉檢驗顯示模型分類準確率為93.1%，顯著優于SVM模型。

圖4 基于3層空間域GCN的精神分裂癥分類架構[42]

基于多個影像模態數據構建的融合性腦連接網絡與單模態相比具有較多敏感特征，可作為互補信息提高模型性能。Yang等[43]基于BP患者（N=59）、HC受試者（N=47）的fMRI和sMRI數據構建大小為129×129含有多模態特征信息的個體腦連接網絡，其中該網絡底圖用fMRI數據構建，以sMRI數據的7個結構特征（頂點數、表面積、灰質體積、平均厚度等）和fMRI數據的4個功能特征（節點連通向量到其他節點的平均值、標準差、峰度、偏度）作為感興趣區域節點特征。模型的3個卷積層加入圖注意力算法進一步增強聚合節點的鄰域信息能力，該算法通過自注意力機制聚合中心節點的一階鄰居節點并計算中心節點與相鄰節點間的注意權重，通過潛在的連接性加權關注圖上其他所有節點，對圖中重要信息進行提取。與相同參數設置但僅用fMRI數據構建的模型輸入相比，本模型分類準確率提高11.3%，相比提取構建的網絡圖特征作為輸入的SVM、隨機森林等傳統機器學習分類器最多提高20%，充分肯定了多模態影像信息結合空間域GCN的優勢。

3 研究中存在的問題

3.1 影像模態與網絡構建差異對GCN研究的影響

大量研究證實了多種腦疾病與腦區間的異常連接相關聯，因此腦網絡分析為探索疾病的發病機理提供了新的研究思路，但是現階段由不同影像模態、不同腦網絡構建方式得到的腦連接網絡存在較大差異性。首先，各種模態的影像數據從不同時空角度描述大腦內部信息處理機制，例如基于sMRI的腦結構連接網絡是灰質形態學特征的相似性度量[44]，而基于DTI的腦結構連接網絡則反映了白質纖維束的連接[45]，因此同一類疾病患者根據影像模態的不同可建立具有較大差異性的腦連接網絡。其次，腦網絡的構建方案至今還未有“金標準”，相同影像模態數據也因構建方案不同產生差異性不小的腦網絡：（1）不同腦模板將大腦分割成許多不同的解剖區域，其決定了腦網絡研究的分辨力尺度不同，基本的網絡屬性會存在明顯的差異[46]。（2）不同的邊定義會得到不同特性的腦網絡。例如Zhang等[38]在研究中使用6種不同腦纖維束追蹤算法來定義連接邊、Meszlényi等[41]使用反映功能連接強度及穩定性的指標定義邊。而現有GCN模型對大腦網絡的特征進行提取時，并不存在任何校正或歸一化方法消除不同構建方法帶來的影響。另外，腦網絡作為一個高度集成的復雜系統，單一的度量方法并不能充分挖掘腦網絡的特征信息，因此在使用GCN進行腦網絡分析中，需要對影像模態、網絡構建方案給予更多的關注。

3.2 影像和非影像特征對GCN研究的影響

GCN與CNN的作用一樣，是一個特征提取器，只不過其對象是圖數據。GCN精妙地設計了一種從圖數據中提取特征的方法，從而可以使用這些特征對腦網絡的圖數據進行分類。由于GCN在腦科學研究中的發展還處于萌芽階段，研究者在網絡中輸入的影像特征一般為網絡特征，敏感度一般，這一定程度限制了GCN的特征表達能力。輸入影像特征的優化對于提升GCN的分類預測性能有著重要作用[47]。

另外，性別、年齡及采集站點等非影像特征也與疾病存在不可忽略的聯系，若同時將受試者的影像、非影像特征輸入模型可最大限度地獲得受試者特征表達。在群體圖中，每個受試者都作為一個單獨的節點構建網絡，節點特征是受試者的影像學信息，網絡中的邊是2個受試者間影像和非影像特征的相似性，將受試者多類型信息輸入GCN網絡中實現疾病的分類預測任務。考慮到受試群體間的聯系與受試者非影像信息的不可忽略性，研究者已經開始嘗試從單個腦連接網絡擴大到群體網絡規模的研究[48-49]，更有研究者同時考慮腦網絡和群體網絡實現網絡的端到端分類模型[50]。

4 結語

隨著研究者對GCN的深入研究，GCN逐步在腦科學研究中嶄露頭角。雖然GCN在腦網絡中的研究還處于初步階段，但隨著更多研究者致力于從腦網絡角度運用GCN算法開展研究，該領域會產生更多值得關注的研究方向。從腦網絡發展角度來看，基于多模態、多網絡構建方法的特征融合可進一步提升模型的分類、預測能力。另外，特征在GCN分類、預測模型中起著關鍵作用。基于CNN的腦區影像特征提取和GCN相結合可以大大擴展GCN的特征表達能力，而基于非影像特征構建群體網絡也需要給予一定的關注。GCN在多領域的應用研究產生了許多結構更復雜、設計更加巧妙的變體模型，這些在其他領域性能優異的GCN模型通過一定程度地修改，在未來也有可能運用于腦網絡的研究中。總而言之，該領域仍處在高速發展階段并存在不少未知的問題，但預計未來GCN在腦網絡研究中會具有更光明的前景。