换一批基于记忆深度图注意力网络的乳腺癌新辅助化疗疗效预测
Deep Graph Attention Networks with Memory for Prediction of Response to Neoadjuvant Chemotherapy in Breast Cancer
摘要新辅助化疗在乳腺癌患者的治疗中得到了广泛应用.研究表明,化疗反应良好的患者,尤其是获得病理完全缓解的患者,生存率显著提高.然而,由于个体差异,一些患者可能会出现化疗反应不佳或疾病进展,因此,早期预测新辅助化疗反应尤为重要.传统的卷积神经网络在处理肿瘤区域的空间相关性和异质性方面存在局限,影响了预测精度.为了解决这一问题,本研究提出了一种结合深度图注意力网络模型和记忆层的图网络方法.使用简单线性迭代聚类(SLIC)超像素算法对乳腺区域进行分割,并从这些超像素中提取影像组学特征.这些超像素被设定为特征节点,边的定义基于节点特征的加权欧氏距离和皮尔逊相关系数.通过结合节点和边,构建了一个完整的图网络.模型包括一个DeepGAT模块,该模块通过注意力机制动态加权节点特征,捕捉局部和全局信息.此外,还采用了一种基于聚类方法的记忆池化模块,通过捕捉关键性信息和长期依赖性,增强了分类性能.使用了 214个样本,其中149个用于训练,65个用于测试.还研究了图稀疏性系数对新辅助化疗反应预测性能的影响,结果表明,在稀疏性系数为0.09时,模型性能最佳.在这一稀疏性水平下,模型在测试集中分别取得了 0.822±0.027和0.811±0.041 的 AUC,显著优于传统的 GCN(AUC=0.726±0.045)和 GAT(AUC=0.803±0.037)模型.这表明该模型在预测新辅助化疗反应准确性方面的优越性,为未来的研究奠定了坚实的基础.
更多相关知识
分类号
R318（医用一般科学）
栏目名称
DOI
10.3969/j.issn.0258-8021.2025.04.005
发布时间
2025-10-11（万方平台首次上网日期，不代表论文的发表时间）
基金项目
- 浏览0
- 被引1
- 下载0
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
