Майорова Л.А.
Куркин С.А.
Хорев В.С.
Кузовлев А.Н.
Яковлев А.А.
Гречко А.В.
Храмов А.Е.
 Статья на сайте eLibrary

В обзоре рассматриваются современные методы анализа функциональных сетей головного мозга, восстановленных по данным функциональной магнитно-резонансной томографии (фМРТ). Основное внимание уделяется применению математических и вычислительных подходов, включая теорию сложных сетей и методы машинного обучения, для изучения топологических свойств и различий функциональных связей в мозге. Обсуждаются различные методы восстановления функциональных сетей, такие как корреляционные, информационные, регрессионные и паттерн-ориентированные подходы, а также их применение для диагностики неврологических и психических расстройств, включая болезнь Альцгеймера, шизофрению и депрессию. Особое внимание уделено проблеме межсубъектной вариабельности данных и методам её преодоления, включая концепцию консенсус-сетей. Рассмотрены перспективы использования машинного обучения, в частности графовых нейронных сетей, для классификации функциональных сетей и выявления биомаркеров заболеваний. В заключении обсуждаются будущие направления исследований, включая изучение взаимодействий высокого порядка в функциональных сетях мозга, которое может привести к разработке новых диагностических и терапевтических стратегий.

На английском языке
Analysis of functional brain networks recovered from functional magnetic resonance imaging data
Mayorova L.A., Kurkin S.A., Khorev V.S., Kuzovlev A.N., Yakovlev A.A., Grechko A.V. and Hramov A.E.

This review discusses state-of-the-art methods for analyzing functional brain networks reconstructed from functional magnetic resonance imaging (fMRI) data. The focus is on the application of mathematical and computational approaches, including complex network theory and machine learning methods, to study topological properties and differences of functional connectivity in the brain. Various functional network reconstruction methods such as correlation, information, regression, and pattern-based approaches and their application to the diagnosis of neurological and psychiatric disorders, including Alzheimer's disease, schizophrenia, and depression, are discussed. Special attention is paid to the problem of intersubject variability of data and methods to overcome it, including the concept of consensus networks. Prospects for using machine learning, in particular graph neural networks, to classify functional networks and identify disease biomarkers, are considered. Finally, future research directions, including the study of higher-order interactions in functional brain networks, which may lead to the development of new diagnostic and therapeutic strategies, are discussed.

DOI: https://doi.org/10.52452/00213462_2025_68_05_463