2020年，图机器学习（Graph ML）已经成为机器学习（ML）领域中的一个备受关注的焦点研究方向。其中，图神经网络（GNN）是一类用于处理图域信息的神经网络，由于有较好的性能和可解释性，现已被广泛应用到各个领域。蓬安门户网
图是一种强大的工具，可以表示由各种人工和自然过程产生的丰富而复杂的数据。图可以视为具有以下特征的结构化数据类型：顶点（保存信息的实体）和边（保存信息的顶点之间的连接），因此具有组成性质和关系性质。图提供了处理关系和交互这些抽象概念的一种方法，还提供了用直观的视觉去思考这些概念的方式。
GNN 的目的是使图中的每个顶点学习包含有关其邻域（通过边直接连接到目标顶点的点）的信息的嵌入。此嵌入可用于顶点标签、顶点预测、边预测等不同问题。因此，在与每个顶点进行嵌入后，我们可以通过添加馈送神经网络层来转换边进而组合图和神经网络。
「对于Graph ML研究来说，这是令人震惊的一年。在所有主要的ML会议上，有关该领域的所有论文中约有10％至20％，并且在如此规模下，每个人都可以找到自己感兴趣的有趣的图主题。」Criteo研究员、Graph Machine Learning newsletter编辑员Sergey Ivanov如是说。
GNN在生物分子结构以及分子之间的功能关系和集成多组数据集模型方面的能力，使得它在医疗行业中受到越来越多的关注。本文就将聚焦于Graph ML在医疗领域中的应用，分享2020年值得关注的几篇论文，包含脑科学、医疗诊断、药物研发以及COVID-19四部分。
脑科学
这一年，图机器学习在医疗成像中取得了非凡的成就，尤其是大脑方面，包括脑区分割、脑结构分析。另外，关于人脑的研究提供了模型的可解释性，这对于临床和技术专家来说有着关键意义，表面可以将图机器学习可靠地合并到计算机辅助诊断（CADx）系统中。
论文题目：图域自适应恒对齐的脑表面分割
简介：文章提出了一种针对脑表面图的新型对抗域自适应框架。提出的算法利用对抗训练机制来获得广义的脑表面分割，使得直接跨多个大脑学习表面数据并对大脑不同皮质区域进行分析成为可能。他们使用一组图卷积层直接在源域的大脑表面上执行切分的分割，并用鉴别器对根据该分割的预测域以及目标域之间进行概括，实验结果表明性能平均提升了8%。
通过将图拉普拉斯算子分解，将输入脑图映射到频谱域。源域和目标域是通过将特征根分别与源引用和目标引用对齐来获得的。segmentator GCN学习预测每个域的通用皮质分割标签。discriminator旨在对分割器预测进行分类，从而帮助分割器GCN适应源域和目标域
论文地址：http://arxiv.org/pdf/2004.00074.pdf
论文题目：BrainGNN: 用于功能磁共振成像分析的可解释性脑图神经网络
简介：文章提出了一种图形神经网络（GNN）框架——BrainGNN，用于分析功能性磁共振图像（fMRI）并发现神经生物学标志物，以此来了解大脑。通过将感兴趣的大脑区域（ROI）定义为顶点，将ROI之间的功能连接性定义为边，将fMRI时间序列定义为成对相关性，文章把大脑建模为图作为输入，然后输出预测结果和解释结果。通过使用不同的内核并使用新的损失项调节中间输出来促进模型的可解释性，提供了在个人级别和组级别的解释。蓬安门户网
框架流程图。fMRI图像由图谱分解并转移到图中。然后，将图发送到我们提出的BrainGNN，由BrainGNN给出特定任务的预测。BrainGNN共同选择对预测任务有用的重要大脑区域，并将大脑区域聚集到与预测相关的功能区中。
论文地址：http://www.biorxiv.org/content/10.1101/2020.05.16.100057v1
医学诊断
TUM 博士研究生、医学成像中的Graph ML的多篇论文的作者Anees Kazi说：「在医学领域，Graph ML改变了分析多模态数据的方式，这种方式与专家如何从临床常规操作中的所有可用维度看待患者的状况非常相似。」多项研究已证明可以将图机器学习应用于CADx系统中，潜在的图学习和数据补全解决了ML在医学领域中应用的关于数据集的常见问题。
论文题目：使用多模式数据和图卷积网络识别早期轻度认知障碍
简介：轻度认知障碍（EMCI）是阿尔茨海默氏病（AD）的早期阶段，与大脑的结构和功能变化有关。但是，提取哪些特征以及如何组合多个特征以提高EMCI识别的性能一直是一个难题。文章提出了一种利用多模态数据和图形卷积网络进行的新EMCI识别框架。实验表明该框架在临床实践中对EMCI的识别是有效的。此方法为 EMCI 的计算机辅助识别的区分成像标记铺平了道路。
GCN-EMCI框架示意图。首先基于每个受试者的T1wMRI和rs-fMRI数据，基于自动解剖标记（AAL）地图集作为特征表示，提取每个大脑区域的灰质体积和最短路径长度。然后，为了获得对识别 EMCI 更有帮助的功能，采用了一种通用的多任务功能选择方法。之后，使用成像表型度量和非成像表型测量来构建未完全标记的主题图。最后，应用GCN模型来执行 EMCI 标识任务。蓬安门户网
