空间意识的GCN用于高效,高精度的癌症分级:通过频率分析减轻过度光滑
Luke Johnston1, Zhangsheng Yu2
1Department of Mathematical Sciences, Shanghai Jiao Tong University, Shanghai, China.
Computers in biology and medicine
|October 5, 2025
概括
一个新的空间意识图形卷积网络 (SA-GCN) 通过保留空间细节和频率信息来提高癌症分级的准确性. 这种新方法提高了结直肠和肺癌的分类,克服了现有的深度学习模型的局限性.
科学领域:
- 计算病理学计算病理学
- 人工智能在瘤学中的应用
- 基于图形的机器学习
背景情况:
- 癌症分级对于治疗至关重要,但依赖于复杂的空间关系,这对于标准的GCN来说是困难的.
- 较深的GCN经常遭受过度平滑,阻碍了细胞组织病理学中复杂的细胞结构的捕获.
研究的目的:
- 开发一个空间感知图形卷积网络 (SA-GCN),以改进结直肠和非小细胞肺癌等级的分类.
- 解决GCN中的过度平滑问题,以更好地保存在组织病理学数据中的高分辨率空间和频率信息.
主要方法:
- 引入了SA-GCN,具有扩展层和基于量子的聚合,以平衡低频和高频图数据.
- 优化了图形构造,以减少计算复杂性从O{\displaystyle O} N^2到O{\displaystyle O} N).
- 对结直肠和非小细胞肺癌数据集进行了实验.
主要成果:
- 对结直肠癌和非小细胞肺癌数据集的准确度分别提高了0.87%和0.81%.
- 在结直肠数据集上证明了98.05%±0.99%的准确性与七层扩展的SA-GCN.
- 展示了显著的计算效率,并保证了保存的图形信号多样性.
结论:
- 通过保留空间和频率信息,SA-GCN有效地对癌症等级进行分类,其性能优于最先进的方法.
- 拟议的架构允许更深层次的GCN和大数据集的规模,解决现有技术的局限性.
- SA-GCN为计算病理学提供了强大的解决方案,提高了诊断准确性和效率.
