国自然科学基金申请书.docxVIP

国自然科学基金申请书

阿尔茨海默病（AD）作为一种起病隐匿、进行性发展的神经退行性疾病，其病理改变在临床诊断症状出现前数十年便已开始。当前临床对AD的诊断主要依赖症状评定量表与影像学特征，但传统指标对早期阶段特别是主观认知下降和轻度认知损害阶段的敏感性与特异性均存在显著不足，导致大量患者错失干预窗口。正因如此，利用多模态生物标志物建立高精度的早期诊断模型，已成为神经科学与人工智能交叉领域中关乎公共健康的重要科学问题。功能磁共振成像能够无创记录血氧水平依赖信号，反映大脑区域间自发活动的时间相关性，构建宏观功能网络；而结构磁共振成像则可刻画灰质体积、皮层厚度等形态学变异。近年来，图神经网络在脑网络建模中展现了强大的拓扑表征能力，已被广泛用于AD分类与认知评分预测。然而，现有研究大多基于静态功能连接矩阵，将每个被试构建为单一图样本，这种简化忽略了脑功能网络在时间尺度上的动态重组特征，尤其是在不同认知任务静息态循环中涌现的时空演化模式。同时，传统图卷积或图注意力模型在聚集邻域信息时，对小世界属性明显的脑网络结构缺乏针对性的多跳语义传递机制，导致深层结构信息丢失。更关键的是，多数模型仅捕捉区域间相关关系，而非因果相互作用。功能连接本质上是皮尔逊相关或偏相关等统计度量，无法区分驱动节点与响应节点，也无法解释脑区间信息流向的方向性与潜伏期。而因果推断方法，例如格兰杰因果、收敛交叉映射以及基于结构