近日，人工智能领域国际顶级会议IJCAI（International Joint Conference on Artificial Intelligence）公布了2025年录用结果。我校5123五湖之利取四海之财足1站王之琼教授团队的研究成果《TSTAI: A Time-varying Brain Effective Connectivity Network Construction Method Combining with Brain Active Information》被大会接收。论文第一作者为5123五湖2023级博士生陈琦，通信作者为王之琼教授。IJCAI是中国计算机学会（CCF）推荐的A类国际学术会议，本届论文录用率仅为19.3%，2025年IJCAI将于8月16日至22日在加拿大蒙特利尔举行，这一成果标志着我校在脑科学与人工智能交叉领域的研究取得重要突破，达到国际前沿水平。
研究背景
脑因效网络构建是探索脑功能机制与疾病诊断的核心课题。现有方法多基于单一假设（如平稳性或低阶特性），难以兼顾脑区信号的非平稳性与高阶动态交互特性。如何建立高精度、高效率的时变高阶脑因效网络模型，是该领域长期面临的挑战。
图1 大脑功能及脑网络应用
方法创新
基于时变高阶假设的脑因效网络构建是探索脑功能与疾病诊断的关键。尽管现有方法在单一假设下取得进展，但如何兼顾非平稳与高阶特性仍具挑战。为此，本研究提出一种结合两种脑活跃信息的两阶段时变高阶脑因效网络构建方法（TSTAI）。该方法首先通过潜在块模型检测时间序列中的动态变化点，将非平稳序列分割为多段平稳子序列；其次，在每段子序列中采用改进的前向-后向搜索算法，融合脑活跃信息的层级结构与联合概率，优化网络结构学习。具体改进包括：
基于皮尔逊相关性与脑区活跃层次结构的条件集过滤，缩减搜索空间；
结合脑区活跃概率的评分函数设计，解决马尔可夫等价类方向模糊问题；
引入剪枝策略，提升搜索效率。
图2.所提出方法的主要思路
实验结论
TSTAI在真实HCP任务态fMRI数据中有效捕捉任务复杂度与网络连接强度的关联。与现有基线模型相比，TSTAI在精度与效率上均表现出显著优势，为脑疾病诊断提供了更可靠的建模工具。该方法为高阶时变脑网络建模提供了兼顾精度与效率的新框架，并可扩展至金融、生物分子网络等跨领域时序分析。
图3. 在HCP真实数据集上的结果
近年来，该团队始终专注于智能诊断、生物信息学、健康大数据分析等前沿领域的研究。其中，围绕脑网络建模与分析研究成果显著。在脑网络建模方面，借助贝叶斯网络构建脑因效网络，为研究脑功能提供基础框架。在脑网络分析层面，积极开展多属性脑网络图核、大脑解码及脑因效网络构建研究。提出多属性脑网络图核，从结构和功能相似性入手分析脑网络；运用自适应时空动静图卷积模型解码大脑活动，为脑疾病辅助诊断提供了有力支持。