用于癌症转移预测的淋巴结图神经网络

预测个体癌症患者（如生存或转移）的结局是精准肿瘤学的关键组成部分。机器学习（ML）提供了一种有前景的途径，可利用丰富的多模态数据（包括临床信息和影像）来学习疾病轨迹的预测因子并辅助临床决策。本文提出一种新颖的基于图的方法，将现有癌症扩散至局部淋巴结（LN）的影像特征及其连接模式纳入预后 ML 模型。我们训练了一个边门控图卷积网络（Gated-GCN），借助软边注意力机制在 LN 图上传播信息，以准确预测远处转移（DM）风险。在 1570 名头颈癌患者的队列中，Gated-GCN 在 2 年 DM 分类上达到 0.757 的 AUROC，在终身 DM 风险预测上达到 0.725 的 $C$ 指数，优于当前预后因素及以往基于聚合 LN 特征的方法。我们还通过消融实验和可解释性研究探索了图结构及单个淋巴结的重要性，强调了考虑单个 LN 特征以及癌症扩散区域间关系的重要性。