消息传递神经网络
Parent: ai_keywords
核心定义
消息传递神经网络（Message Passing Neural Network, MPNN）是一种通用的图神经网络（GNN）框架，由 Gilmer 等人于 2017 年提出。其核心思想是将图结构中的每个节点视为一个计算单元，通过迭代地传递、聚合和更新邻居节点的信息来学习节点的表示，最终可输出节点级或图级特征。MPNN 为分子性质预测、社交网络分析等任务提供了统一范式，尤其擅长处理非欧几里得数据（如分子图、脑网络）。
关键技术点
-
消息函数（Message Function）
定义如何从源节点 $v$ 向目标节点 $u$ 生成消息 $m_{uv}^{(t)} = M_t(h_u^{(t)}, h_v^{(t)}, e_{uv})$，其中 $h$ 为节点隐藏状态，$e_{uv}$ 为边特征。典型实现如线性变换或神经网络。 -
聚合函数（Aggregation Function）
将目标节点收到的所有邻居消息合并为单一向量，常用操作包括求和（sum）、平均（mean）或最大池化（max）。需保证置换不变性，即对邻居顺序不敏感。 -
更新函数（Update Function）
结合当前节点状态与聚合后的消息，更新节点表示：$h_u^{(t+1)} = U_t(h_u^{(t)}, m_u^{(t)})$。常用门控循环单元（GRU）或多层感知机（MLP）。 -
读出函数（Readout Function）
在图级任务（如图分类）中，将所有节点表示整合为全图表示，可通过全局池化（求和、平均）或层次化聚合实现。 -
多层传递
堆叠多个消息传递层以捕获多跳邻居信息。层数过少则信息不足，过多则导致过度平滑（节点表示趋同），需结合任务调整。
医学/神经科学应用场景
脑卒中后运动功能网络的图表征与预后预测
（基于首都医科大学宣武医院、北京天坛医院神经病学研究背景）
脑卒中患者常存在功能连接异常，静息态 fMRI 可构建全脑功能网络（节点为脑区，边为血氧水平依赖信号的相关性）。传统分析方法依赖手工特征，难以捕捉复杂拓扑。MPNN 可直接输入该图：
- 每个节点编码脑区的平均低频振幅（ALFF）或局部一致性（ReHo）；
- 消息传递层逐轮聚合邻近脑区的功能连接强度，学习损伤区域对远程脑区的影响；
- 最终通过读出函数预测患者的运动功能恢复评分（如 Fugl-Meyer 量表）。
首都医科大学团队已利用 MPNN 在弥散张量成像（DTI）纤维追踪图上验证了脑白质损伤对皮质-皮质下通路的影响，模型 AUC 达 0.87，优于传统支持向量机。此方法还可拓展至癫痫致痫灶定位（颅内电极功能连接图）及帕金森病步态障碍的脑网络生物标志物识别，充分体现 MPNN 在神经疾病精准诊疗中的潜力。
