本研究は、脳の機能的ネットワークの時間的進化を理解することが認知メカニズムの分析や神経疾患の診断において重要であることを強調し、従来の方法では特定の機能コミュニティ間の接続の時間的進化特性を捉えることが難しいと指摘します。この課題に対処するために、NeuroPathNetと呼ばれる新しいパスレベルの軌跡モデリングフレームワークを提案し、脳の機能分割間の接続経路の動的な挙動を特性化します。医療に基づく静的分割方式を用いて、各機能分割間の接続強度の時系列を抽出し、時間的ニューラルネットワークによってモデル化します。実験では、3つの公開fMRIデータセットにおいてモデルの性能を検証した結果、既存の主流手法よりも複数の指標で優れていることが示されました。この研究は、脳ネットワーク分析のための動的グラフ学習法の発展を促進し、神経疾患の診断における臨床的応用の可能性を提供します。