我们以"图"为统一语言，将影像、EEG/生理信号、临床信息和组学数据表示为图或网络，利用图机器学习与大模型学习其中的结构和规律，面向脑疾病、重症监护、药物研发与脑机接口场景，为个体做出预测与干预决策。

（1）深度学习与图机器学习算法

       围绕图表示学习与图神经网络方法，研究时序/动态图建模、多模态信息融合，以及跨中心和分布外泛化等关键问题，并探索图学习与大语言模型的融合方法。面向医学数据小样本、高噪声、跨被试和实时分析等特点，构建准确、可解释、可信且高效的医学图智能模型，为多模态数据建模和个体化医疗应用提供统一的方法基础。

（2）多模态医疗数据融合与建模

       面向 fMRI、EEG、临床表型与多组学生信数据，将不同类型的数据表示为脑网络、时序网络或分子关系网络等，并研究它们之间的信息融合。重点解决小样本、高噪声、跨中心差异下的稳定建模问题。通过形成统一、鲁棒的数据表示，为后续医学预测和个体化决策提供基础。

（3）个体化智能医疗

    研究“怎样让模型真正帮助到每一个人”。基于个体的多模态数据，研究三个核心问题：

☆现在怎么样？ —— 个体状态评估

☆未来会怎样？ —— 疾病进展、治疗响应和风险预测

☆应该怎么办？ —— 治疗选择、用药组合和调控方案推荐

       相关研究应用于脑疾病（诊断、进展与疗效预测）、重症监护（个体风险轨迹与早期预警）、药物治疗（个体化用药组合推荐）等场景，并延伸至脑机接口的个体化调控。

☆脑网络连接组学

       该方向融合复杂网络、深度学习等关键技术，将fMRI、dMRI、EEG等多种形式数据构建成脑网络，可应用于脑部疾病（阿尔兹海默、自闭症、抑郁症等）的早期诊断及疾病风险预测。

☆生物信息网络数据挖掘

        疾病、基因、靶点等信息构成了错综复杂的生物信息网络，该方向融合深度学习、图卷积神经网络等先进技术，探索如药物靶点关系、miRNA疾病关系等生物信息网络关系预测与挖掘，为药物重利用、发病机制等领域的探究奠定了基础。