BR-MTGNN：用于罕见精神障碍长期预测的贝叶斯残差校准时序图神经网络

一项结合贝叶斯不确定性估计、共形残差校准和图神经网络的创新方法，实现对48种罕见精神障碍及相关治疗技术未来36个月的精准预测，为医疗资源配置和科研优先级决策提供数据支持。

• 原作者/维护者: mail2sia
• 来源平台: GitHub
• 原始标题: BR-MTGNN: Bayesian Residual-calibrated temporal graph neural network
• 原始链接: https://github.com/mail2sia/BR-MTGNN
• 发布时间: 2026年6月14日

罕见精神障碍（Rare Mental Disorders, RMD）的研究和治疗长期面临数据稀缺、资源分配不均的困境。全球数百种罕见精神障碍患者中，许多疾病因患病人数少、症状复杂而难以获得足够的临床关注和科研投入。传统的流行病学预测方法往往难以捕捉这些疾病的发展规律，更无法有效关联新兴治疗技术的演进趋势。

与此同时，医疗技术（Pertinent Technologies, PT）的快速发展为罕见精神障碍的治疗带来了新希望，但如何识别哪些技术对哪些疾病最具潜力，如何在有限的医疗资源下做出最优的研发和投资决策，成为医疗政策制定者和研究机构面临的重大挑战。

BR-MTGNN（Bayesian Residual-Calibrated Multivariate Temporal Graph Neural Network）是一种专为罕见精神障碍长期预测设计的深度学习架构。该模型融合了三大核心技术：贝叶斯神经网络、残差校准机制和时序图卷积网络。

模型采用蒙特卡洛Dropout（MC-Dropout）技术进行认知不确定性估计。在推理阶段，模型保持Dropout激活状态进行多次前向传播，从中计算预测分布的均值和标准差。这种方法无需修改网络结构或重新训练，即可为每个预测结果附带置信区间，对于医疗决策场景尤为重要。

BR-MTGNN引入了共形预测（Conformal Prediction）的残差校准机制。模型在验证集上计算预测残差的分位数，并将其作为统一校准项应用于所有测试预测。最终的预测区间公式为：

下限 = 均值 - 1.96 × MC标准差 - 残差分位数
上限 = 均值 + 1.96 × MC标准差 + 残差分位数

这种双重不确定性量化机制（贝叶斯采样 + 共形校准）使模型的95%预测区间覆盖率达到93.6%，为医疗决策提供了可靠的不确定性边界。

模型核心采用扩张时序卷积（Dilated Temporal Convolution）与图卷积（Graph Convolution）的混合架构。RMD与PT之间的关系通过稀疏图结构建模，图的邻接矩阵从训练数据（2004年1月至2019年4月）的时间序列相关性中学习得到，确保图结构不泄露验证/测试期的信息。

模型还引入了持续性残差机制：预测值等于最后观测值加上模型学习到的变化量（delta），这种设计特别适合具有趋势延续性的医疗时间序列数据。

研究团队构建了一个包含48种罕见精神障碍和72项相关治疗技术的综合数据集，时间跨度从2004年1月至2025年12月，共264个月度观测。数据字段包括疾病提及量（NoM）、患者/死亡数（NoP）以及全球/战争等外生协变量。

为避免目标期泄漏，实验采用严格的时间序列划分策略：

• 训练集: 2004年1月至2019年4月（184个滑动窗口）
• 验证集: 2019年5月至2023年9月（60个滑动窗口）
• 测试集: 2023年10月至2025年12月（20个滑动窗口）

归一化参数仅基于训练数据拟合，确保验证和测试数据不会影响模型预处理。