# 图神经网络推理（Graph Neural Network Inference）

## 核心定义
图神经网络推理是指利用训练完成的图神经网络模型，对包含复杂拓扑关系的数据（如脑网络、分子结构、社交图谱）进行前向传播计算，输出节点、边或全图的预测标签或嵌入向量的过程。其本质是借助消息传递机制（Message Passing），在已知的结构信息与属性特征上完成归纳或直推式预测，从而揭示图中未知的依赖关系或功能特性。

## 关键技术点
- **消息传递与聚合机制**：核心范式。每个节点通过聚合邻居节点的特征（如均值、求和、注意力加权）更新自身表示。常见变体包括 GCN（谱域卷积）和 GAT（注意力自适应聚合）。
- **图注意力网络（GAT）**：引入自注意力机制为不同邻居分配可学习的权重，增强对关键连接（如高强度脑功能链接）的捕捉能力，提升推理鲁棒性。
- **归纳式学习（Inductive Learning）**：利用图采样技术（如 GraphSAINT、ClusterGCN）或基于子图的训练策略，使模型能对训练时未见的新节点或新图进行推理，适用于动态变化的脑网络数据。
- **可解释性推理**：通过 GNNExplainer、集成梯度等方法定位对推理结果贡献最大的子图结构或节点特征，为临床解读提供因果依据。

## 医学/神经科学应用场景（首都医科大学背景）
在脑电图（EEG）或功能磁共振（fMRI）构建的脑功能连接网络中，常将每条通道电极或脑区视为图节点，连通性（如相位锁定值、相关性）作为边权重。针对颞叶癫痫患者，首都医科大学神经病学研究团队可构建术前静息态动态功能连接图，利用图神经网络推理进行**癫痫灶定位**与**发作预测**。模型通过消息传递捕捉异常高同步放电的局部子图模式（如海马-杏仁核-岛叶环路），输出每个节点的“致痫概率”。进一步结合 GAT 的可解释权重，医生可可视化决定手术切除的关键通路，将假阳性率降低约 30%。此外，在脑卒中后运动功能恢复评估中，GNN 推理可用于预测患者 6 个月后的 Fugl-Meyer 评分，以弱连接重组的拓扑特征（如特征路径长度、模块化指数）作为输入，辅助个体化康复方案的制定。