suncitygroup太阳成集团表情识别与情感计算研究组Co-PI刘峰博士联合多学科合作团队，提出基于脑磁图的病理放电网络分型方法，识别四种网络亚型，并利用亚型信息改善患者级预测，为以OPM-MEG为代表的非侵入式脑机接口技术提供新的医学诊断思路。相关成果以“Unsupervised Subtyping of Focal Epilepsy IEDs via Graph-Based MEG Networks”为题，于2026年9月22日在线首发（Early Access）于生物医学工程知名期刊IEEE Transactions on Biomedical Engineering（TBME）。
成果速读
研究发现，同一患者内可共存多种病理放电网络状态；将其亚型结构及个体组成引入预测模型，可提升患者级放电空间分布分类性能。
成果正文介绍
发作间期癫痫样放电（interictal epileptiform discharges，IED）是观察癫痫病理脑网络的重要窗口。既往分类较多关注波形形态，而放电所涉及的脑区及其连接模式仍有待深入刻画。非侵入式脑磁图（magnetoencephalography，MEG）为研究这些网络状态提供了途径。
研究动机
研究团队关注：病理放电能否依据脑网络组织划分亚型？亚型的独特连接模式及其患者内组成，能否改善个体预测？据此，研究依次开展事件级网络构建、无监督分型及患者级验证。
研究贡献
1 病理放电图构建与无监督分型
研究纳入55例局灶性癫痫患者，每例采集1小时静息态MEG，结合结构MRI完成源重建。以人工识别的8,509次IED为分析单元，计算148个脑区之间的相位锁定值（PLV），分别构建148×148功能连接矩阵。在比较多种图嵌入与聚类方法后，团队选用多视图图表征学习（MVGRL）与K-means聚类，识别四种IED网络亚型，并提取亚型特异的节点与连接子图。
图1 基于MEG源空间功能连接的IED网络构建与无监督分型流程。
2 亚型特异网络信息与患者内部差异
四种亚型在网络效率与区域连接分布上具有不同特征，全局效率呈亚型4＞亚型1＞亚型2＞亚型3。亚型1的代表性节点涉及颞上及颞下相关区域，亚型2涉及枕颞交界及海马旁区域，亚型3涉及颞极及顶枕等区域，亚型4突出双侧胼胝体下区。
41/55位患者同时出现全部四种亚型，说明多种病理放电网络状态可以在同一个体中共存。亚型的空间特征及其组成差异，为刻画患者内部的网络异质性提供了更细致的描述。
图2 四种IED网络亚型的平均连接矩阵及网络指标。亚型4全局效率最高、特征路径长度最短，亚型3呈相反特征。
3 亚型信息引导的患者级预测网络
团队将每位患者的多个IED网络作为一个样本集合，通过注意力多实例学习汇聚患者表征。模型引入四个可学习的亚型原型，利用软路由根据患者的亚型组成加权融合四个专家分支；同时结合聚类对齐与对比学习，在下游训练中保留无监督发现的亚型结构，用于患者级MEG放电空间分布的颞叶与其他类别分类。
图3 亚型软路由引导的患者级分类模型。注意力池化汇聚IED表征，亚型原型控制专家分支的融合权重，辅助损失用于保持亚型结构。
研究采用矩阵级与患者级两级验证。基于图论特征的支持向量机识别四种亚型的准确率为93.9%。在20次重复留一患者交叉验证中，完整模型的患者级平衡准确率达到58.8%，较图论特征随机森林（50.3%）提高8.5个百分点，较无亚型路由的深度多实例模型（50.7%）提高8.1个百分点。
研究创新
本研究将分析对象从放电波形拓展至源空间脑网络，并结合全局拓扑、区域节点及患者内组成解释亚型差异。通过亚型特异子图，数据驱动的聚类结果能够对应到具体脑区及其连接，为理解不同病理放电状态提供网络层面的依据。
在预测建模上，研究将无监督发现的亚型作为可学习的结构先验，使患者的放电状态组成参与分类决策。该框架把网络状态发现与患者级预测连接起来，为具有网络解释的病理脑状态解码及个体化非侵入式脑机接口研究提供方法基础。
局限与展望
本研究来自回顾性队列并依赖人工识别IED。患者级分类标签反映临床MEG报告中的发作间期活动分布，其临床定位价值仍需结合独立的发作起始区、致痫区及结局数据验证。前瞻性研究和在线脑状态解码是后续探索方向。
研究团队
复旦大学博士生郑骐健为论文第一作者，是复旦大学陈阳教授与我院刘峰博士联合培养的博士生。刘亚飞博士、曹春燕博士和我院刘峰博士为共同通讯作者，其中刘峰博士为主要通讯作者。本研究由suncitygroup太阳成集团、复旦大学、陆军军医大学、中国医科大学、上海大学、上海交通大学医学院附属瑞金医院的研究人员共同完成。本研究获得2025年上海市白玉兰人才计划浦江项目与上海交通大学新进教师启动计划支持。
期刊介绍
IEEE Transactions on Biomedical Engineering（TBME）是IEEE医学与生物学工程学会（EMBS）的旗舰期刊，发表生物医学工程领域的基础与应用研究，涵盖面向生物医学应用的工程方法与技术，以及具有工程贡献的实验和临床研究。
论文信息
论文题目：Unsupervised Subtyping of Focal Epilepsy IEDs via Graph-Based MEG Networks
在线发表日期：2026年9月22日（Early Access）
作者：Qijian Zheng¹、Yafei Liu²˒³*、Zhongyi Xie⁴、Ke Dong⁵、Zhi Liu²、Yujie Chen²、Jian Sun³、Chunyan Cao⁶*、Feng Liu⁷*
单位：¹复旦大学计算与智能创新学院；²陆军军医大学西南医院神经外科；³陆军军医大学生物医学工程学院；⁴中国医科大学智能医学学院；⁵上海大学微电子学院；⁶上海交通大学医学院附属瑞金医院神经外科；⁷suncitygroup太阳成集团。
* 通讯作者 联系邮箱：liu.feng@sjtu.edu.cn
论文DOI：https://doi.org/10.1109/TBME.2026.3736741
论文IEEE链接：https://ieeexplore.ieee.org/document/11703921
代码链接：https://github.com/Cross-Innovation-Lab/MEGnet4FocalEpilepsy
引用信息：
Q. Zheng, Y. Liu, Z. Xie, K. Dong, Z. Liu, Y. Chen, J. Sun, C. Cao, and F. Liu, “Unsupervised Subtyping of Focal Epilepsy IEDs via Graph-Based MEG Networks,” IEEE Transactions on Biomedical Engineering, early access, Sep. 22, 2026, doi: 10.1109/TBME.2026.3736741.
