计算机工程

作者：陈德品, 赵珅, 焦一平, 王向学, 吕泓, 徐军

单位：1. 南京信息工程大学人工智能学院智慧医疗研究院, 江苏 南京 2100442. 复旦大学附属肿瘤医院乳腺外科, 上海 2000323. 复旦大学上海医学院肿瘤学系, 上海 200034. 复旦大学附属肿瘤医院病理科, 上海 200032

关键词：全景切片图像,多实例学习,图神经网络,图构建,可视化

基金：国家自然科学基金青年科学基金(62302228); 国家自然科学基金青年科学基金(62301265)

不同于常规阈值法或边与节点的合并等图采样方法侧重于减小图的规模, 该工作提出了一种具备创新性的基于Transformer架构的图神经网络模块AdaptConv。该模块能够在图结构中进行信息聚合的同时通过动态学习去除冗余的边, 从而构建出新的图, 称之为重构图。重构图保留了原本图结构的有效信息, 也为计算病理提供了新的可视化角度和分析角度。为了评估AdaptConv及重构图的有效性, 该工作将AdaptConv模块集成在聚类约束注意力多种实例学习(CLAM)框架中, 并在乳腺癌的激素受体(HR)和人表皮生长因子受体2(HER2)两种分子分型的计算病理诊断预测任务上验证了模型的准确性。与原生CLAM模型相比, 改进模型的曲线下面积(AUC)指标在HR分型上取得了4.7%的提升, 在HER2分型上取得了0.8%的提升。此外, AdaptConv优化模型生成的注意力分布图更合理可靠, 呈现出与诊断标准免疫组织化学染色一致的分布模式。最后, 该模型生成的重构图与特定组织区域和注意力图都表现出了关联, 具备进一步研究的价值。

来源：2025年第3期

《计算机工程》期刊编辑部

查看计算机工程杂志2025年第3期