APC-GNN++：一种集成上下文感知注意力与微图可解释性的自适应患者中心图神经网络，用于糖尿病分类
机器学习
2025-12-23 v1
摘要
我们提出了APC-GNN++，一种用于糖尿病分类的自适应患者中心图神经网络。我们的模型集成了上下文感知边缘注意力、基于置信度引导的特征与图表示混合，以及邻域一致性正则化，以更好地捕获患者之间与临床意义关系。为了处理未见患者，我们引入了一种微图方法，该方法利用新患者的最近邻居，使能够在无需重新训练全局模型的情况下进行实时可解释预测。我们在来自阿尔及利亚一个地区医院收集的真实世界糖尿病数据集上评估了APC-GNN++，结果表明它优于传统机器学习模型（如MLP、随机森林、XGBoost）以及基于Vanilla GCN的模型，实现了更高的测试准确率和宏F1分数。进一步分析节点级置信度分数揭示了该模型如何在不同患者群体之间平衡自信息与图基证据，提供了可解释的患者中心见解。该系统还嵌入了一个基于Tkinter的图形用户界面(GUI)，用于供医护专业人员交互式使用。
引用
@article{arxiv.2512.18473,
title = {APC-GNN++: An Adaptive Patient-Centric GNN with Context-Aware Attention and Mini-Graph Explainability for Diabetes Classification},
author = {Khaled Berkani},
journal= {arXiv preprint arXiv:2512.18473},
year = {2025}
}
备注
17 pages, 2 figures, 5 tables