2026年3月，我校余曙光研究员、吴巧凤研究员、王德贤副教授团队在人工智能领域顶刊《Information Fusion》 （中科院一区，Top期刊）上发表题为“HyPoHGF: Hybrid Pooling Heterogeneous Graph Fusion for Acupuncture Prescription Recommendation”的研究论文。成都中医药大学为本研究第一完成单位，余曙光研究员、吴巧凤研究员、王德贤副教授为共同通讯作者，博士研究生刘书庆、陶连波为共同第一作者，陈伟教授、李天瑞教授及硕士研究生谢广鑫、杨正钊为共同作者。

针灸处方中的穴位选择是影响临床疗效的关键因素，然而当前临床上不同医师使用的针灸选穴方案差异较大，标准化和规范化仍有待提高。近年来，人工智能虽为穴位推荐提供了新思路，但仍面临公共处方数据缺乏、症状与穴位之间复杂关系难以学习等问题。为此，该研究提出一种基于混合池化和异质图融合（Hybrid Pooling Heterogeneous Graph Fusion, HyPoHGF)的穴位推荐算法来解决上述问题。

该研究首先基于中医经典文献构建了一个包含2,325条针灸处方、464种症状、414个穴位、26种穴位属性的针灸异质图（acupuncture heterogeneous graph dataset, AcuHG）数据集。在此基础上，采用带频率感知的图卷积神经网络和子图融合机制来学习处方中症状与穴位间的治疗信息、症状与症状间的共现信息、穴位与穴位间的配伍信息、穴位与穴位属性之间的匹配信息。随后，使用融合平均池化、注意力池化、可学习的指数衰减加权的混合池化方法，从而模拟主穴与配穴组合思维来产生穴位推荐结果。对比实验结果显示，HyPoHGF算法在穴位推荐任务上的表现优于现有主流方法。

  该研究通过构建针灸异质图数据集和研发模拟中医思维的推荐算法，为针灸处方推荐领域提供了公共的结构化处方数据与穴位智能推荐新方案。

该研究得到国家重点研发计划项目（2024YFC3505200, 2024YFC3505205）、国家自然科学基金（62506049）、委校联合科技创新基金项目（WXLH202402026）等资助。

全文链接：https://doi.org/10.1016/j.inffus.2026.104298

（文、图/针灸推拿学院）