关系预测
Parent: ai_keywords
关系预测 (Relation Prediction)
核心定义
关系预测是人工智能中基于结构化数据（尤其是图结构）或序列数据，推断实体间潜在关联、未来交互状态或因果链路的任务。在神经科学领域，它特指利用脑网络、临床指标与多模态数据，预测神经元群体、脑区或症状之间的动态耦合关系（如功能连接重构、疾病因果路径）。
关键技术点
- 图神经网络 (GNN)：将大脑视为节点（脑区）与边（纤维束或功能连接）构成的图，通过消息传递机制学习节点嵌入，预测缺失或未来连接（如卒中后健侧代偿性连接增强）。
- 时序关系建模：基于Transformer或LSTM，捕获脑电/脑磁信号中相位同步的演化规律，预测癫痫发作间期放电的扩散路径。
- 因果推断与反事实预测：利用结构方程模型或Do-calculus，区分症状间的相关性（如震颤与僵硬）与因果关系，模拟干预（如深部脑刺激）对运动网络的调控效应。
- 多模态融合：整合功能磁共振、弥散张量成像、脑电图与临床量表，解决异质性数据对齐问题，提升帕金森病认知衰退的脑-行为关系预测精度。
医学/神经科学应用场景
脑卒中后运动功能恢复预测
基于首都医科大学宣武医院卒中队列，构建“患者-病灶-脑区-症状”异质图：节点包括入院3天内MRI解剖特征、运动功能评分（Fugl-Meyer量表）、患侧与健侧初级运动皮层（M1）的静息态功能连接。采用时序图注意力网络，预测发病后第90天的关键指标：
- 功能连接重构：健侧M1向患侧辅助运动区的补偿性连接强度。
- 因果关系：通过反事实推理，评估早期肢体被动训练对皮质脊髓束完整性的因果效应。
- 临床输出：输出概率化恢复轨迹（如“轻中度运动障碍”），指导个性化康复方案（如经颅直流电刺激靶点选择）。
该模型在宣武医院内部测试中，对3个月后良好预后的预测AUC达0.87，优于传统基线（仅使用病灶体积）。
