GAFR-Net：用于可解释乳腺癌图像分类的图注意力与模糊规则网络
计算机视觉与模式识别
2026-02-11 v1 人工智能
摘要
准确分类乳腺癌组织学图像对于早期肿瘤诊断和治疗干预至关重要。然而，传统深度学习架构在受限标注下常常出现性能下降，同时也因其“黑箱”本质而受制于临床应用。在此基础上，我们提出 GAFRNet，一种为稀缺监督下的组织学图像分类量身定制的稳健且可解释的图注意力与模糊规则网络。GAFRNet 构建基于相似性的图表示来建模样本间关系，运用多头图注意力机制捕获异构组织结构之间的复杂关系特征。同时，一个可微分的模糊规则模块将内在拓扑描述符（包括节点度、聚类系数和标签一致性）编码为显式、易于人类理解的诊断逻辑。该设计建立了透明的“IF-THEN”映射，模拟医学专家的启发式推理过程，为每个预测提供清晰的推理依据，而无需依赖后置归因方法。广泛的评估在三个基准数据集（BreakHis、Mini-DDSM 和 ICIAR2018）上进行，跨越多个放大倍率和分类任务，证明 GAFRNet 在各种 SOTA 方法上均表现出色。这些结果验证了 GAFRNet 在弱监督医学图像分析中具备优越的泛化能力和实际实用性，作为可靠的决策支持工具。
引用
@article{arxiv.2602.09318,
title = {GAFR-Net: A Graph Attention and Fuzzy-Rule Network for Interpretable Breast Cancer Image Classification},
author = {Lin-Guo Gao and Suxing Liu},
journal= {arXiv preprint arXiv:2602.09318},
year = {2026}
}