超图神经网络预测GBM生存期，593人验证一致性0.643，可解释性不降反升！
An Accurate and Interpretable Hyper Graph Neural Network for GBM Survival Prediction
📖 AI 总结
该研究针对胶质母细胞瘤（GBM）生存预测中准确性与可解释性难以兼顾的问题，提出了一种多模态超图神经网络框架。作者认为这一权衡并非必然，并基于图神经网络构建了三个核心组件：采用层束超图神经网络，通过有向非对称消息传递捕捉组织切片间的高阶关系；引入概念瓶颈层，将学习到的表征压缩为临床可解释的概念，实现事前可解释性；以及提出扩展充分性检验正则化器，在训练中惩罚不忠实的解释，确保模型解释真实反映内部决策过程。临床与基因组特征通过门控融合纳入，在保留分子标志物主导预后信号的同时维持概念级可追溯性。在UPenn-GBM数据集593名患者的五折交叉验证中，该框架取得0.643的一致性指数，且折间方差最低（标准差0.015）。这是首个将层束超图卷积、概念瓶颈监督与扩展充分性检验正则化统一用于脑部MRI可解释生存预测的工作。
🔑 关键词速览
| 胶质母细胞瘤（GBM） | 一种高度侵袭性的脑肿瘤，生存预测对临床决策至关重要。 |
| 束超图神经网络 | 一种利用束论处理超图结构的神经网络，能捕捉组织斑块间的高阶有向关系。 |
| 概念瓶颈层 | 一种网络层，将中间表征映射到临床可解释的概念，以增强模型透明度。 |
| 扩展充分性测试（EST）正则化器 | 一种训练正则化方法，惩罚不忠实的解释，确保模型解释反映真实决策过程。 |
| 一致性指数 | 生存分析中常用的评估指标，衡量模型预测风险排序与真实生存时间的 concordance。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅