医学AI中的动态图神经网络

1. 基本概念引入
   动态图神经网络是处理图结构数据随时间演变问题的模型。在医学中，许多系统本质是动态的图：例如，医院内病人-病房-设备-医护人员的交互网络、疾病（基因/蛋白质）相互作用网络随病程的变化、大脑功能连接网络在不同状态下的波动。静态图神经网络（已讲解）只能捕捉某一快照的关系，而动态图神经网络旨在建模这些关系随时间的演化规律，如边的出现/消失、节点属性的变化、图结构的重构。

2. 核心问题与建模范式
   医学动态图的核心是时序依赖与结构依赖的耦合。其建模主要分为两类范式：

   • 离散时间动态图：将连续时间离散化为一系列时间步（如每天、每月），每个时间步有一个图快照。模型需要学习从 t-1, t-2, ... 的快照中提取信息，以预测 t 时刻的图状态或节点/图标签。这常用于电子健康记录中定期检查的指标关联网络分析。
   • 连续时间动态图：事件（如边或节点的生成）在任意连续时间点发生。数据通常表示为时序事件列表，例如病人A在时间t1被诊断为疾病X，在t2与药物Y产生相互作用。模型需要直接对事件发生的连续时间过程进行建模，更贴合真实医疗事件的发生逻辑。

3. 关键技术方法详述

   • 基于快照的方法：将每个时间步的图快照通过静态GNN编码，再对得到的节点嵌入序列使用循环神经网络或Transformer等时序模型，捕捉时序模式。例如，用于预测流行病传播网络中下一个时间步的感染风险区域。
   • 基于时间点过程的方法：这是处理连续时间动态图的主流。模型将每条边（事件）的发生视为一个随机过程，其强度函数依赖于历史的图结构状态。神经时间点过程与GNN结合，使得强度函数由神经网络参数化，并能从图结构中学习。例如，建模ICU中病人各项生理指标异常事件之间的连锁反应与时间间隔。
   • 动态节点/边嵌入：目标是学习每个节点在每个时间点的向量表示，该表示能同时捕获其当前结构上下文和历史演化。常用方法包括使用循环单元更新节点嵌入，或使用时间注意力机制聚合历史邻居信息。

4. 在医学中的典型应用场景

   • 疾病进展预测：将患者的多次就诊记录建模为动态异构图（节点：疾病、药物、检查；边：共现、处方、结果）。动态GNN可以预测未来可能新发的疾病或并发症。
   • 流行病学监测：构建地区间的动态人口流动网络与疾病传播网络，实时预测疫情爆发风险与路径。
   • 神经科学：分析脑电图或功能磁共振成像数据构建的动态脑功能连接网络，追踪脑区互动模式在认知任务或神经精神疾病中的变化。
   • 药物研发：建模蛋白质相互作用网络在药物分子扰动下的动态响应，预测药物的长期效应或副作用网络。
   • 医院感染控制：基于医护人员、病人、设备的位置移动与接触数据构建动态接触网络，预测院内感染传播热点并优化防控策略。

5. 挑战与前沿方向

   • 数据稀疏性与不规律采样：医疗事件记录往往稀疏且时间间隔不规则，需要模型具有强大的外推和抗噪声能力。
   • 计算效率：动态图随着时间增长，历史信息不断积累，如何高效存储和检索相关历史状态是关键。
   • 可解释性：需要解释模型预测所依据的是历史上哪个时间点、哪些子图模式，这对临床决策至关重要。
   • 融合多尺度动态：需要同时建模细胞内分子网络、器官系统、个体社会网络等不同尺度的动态过程及其相互影响，这是系统医学的核心。
   • 因果动态学习：超越相关性，从动态图数据中识别和估计干预（如用药、手术）对图结构演化的因果效应。