HyperPriv-EPN：基于超图学习的带特权知识 Ependymoma 预后预测
计算机视觉与模式识别
2026-01-05 v1 机器学习
摘要
肝胞癌的术前预后评估对于治疗规划至关重要，但由于 MRI 相较于手术报告缺乏语义洞察，导致该任务具有挑战性。现有多模态方法无法在推理时利用这些特权文本数据。为弥合这一差距，我们提出了 HyperPriv-EPN，一种基于超图的学习使用特权信息（Hypergraph-based Learning Using Privileged Information, LUPI）框架。我们引入了“切断图策略”，利用共享编码器处理两种图：一种是包含特权手术后信息的教师图（Teacher graph），另一种是仅限术前数据的学生图（Student graph）。通过双流蒸馏，学生仅凭视觉特征即可学习从视觉特征中 hallucinate 语义社区结构。该方法在 311 名患者的多中心队列上验证，实现了业界最高的诊断准确率和生存分层效果。这实际上将专家知识传递到了术前场景，使无需文本即可指导新患者诊断，解锁了历史术后数据的价值。
关键词
引用
@article{arxiv.2601.00626,
title = {HyperPriv-EPN: Hypergraph Learning with Privileged Knowledge for Ependymoma Prognosis},
author = {Shuren Gabriel Yu and Sikang Ren and Yongji Tian},
journal= {arXiv preprint arXiv:2601.00626},
year = {2026}
}
备注
6 pages, 2 figures, 2 tables