图神经网络在结直肠癌淋巴结转移预测中的组织微环境建模研究

巴塞罗那自治大学Enric Ferrera González的学士论文探索利用图神经网络（GNN）对pT1期结直肠癌组织空间微环境建模，预测淋巴结转移风险。本文解析其图构建策略、GNN架构设计及医学影像AI前沿应用，研究代码开源于GitHub（https://github.com/enricferrera/tfg-colorectal-cancer-gnn），发布于2026年6月8日。

结直肠癌是全球第三大常见癌症，pT1期患者淋巴结转移风险评估是临床决策难点。传统病理依赖人工观察，难以捕捉细胞间空间关系；CNN关注局部纹理，无法显式建模拓扑关系。GNN将细胞视为节点、空间邻近为边，保留几何结构同时学习高阶特征，为解决此问题提供新思路。

研究开发图生成模块，支持四种邻接关系策略：欧几里得k-NN图（局部群落）、余弦相似度k-NN图（功能聚类）、半径图（相互作用范围）、全连接图（全局信息）。通过深度学习提取细胞级特征（CLS token）并整合临床元数据，实现微观特征与宏观结果关联。同时提供GPU加速与CPU并行版本，兼顾性能与兼容性。

项目实现多种针对性GNN架构：

1. GATWeight_batch：改进GAT，将边相似度融入消息传递，区分细胞间相互作用类型；
2. GCNWithAgg：标准GCN加全局均值池化，聚合节点级表示为患者级结果；
3. 层次化TopKPooling：迭代选择重要节点构建粗化图，模拟病理学家层次化观察，识别跨尺度模式。

针对医学数据类别不平衡，通过class_weights.py计算损失权重关注少数类；采用分层10折交叉验证保证样本比例一致；集成MLflow跟踪超参数与模型版本；使用混合精度训练加速过程，充分利用GPU资源。

项目开发t_SNE.py工具生成投影图，展示特征空间类别聚类、不同肿瘤区域细胞分布及模型对转移/非转移患者组织模式的区分能力。可解释性分析对医学AI至关重要，帮助临床医生理解决策依据。

该研究代表计算病理学前沿方向，转向建模细胞空间关系与微环境。若临床验证有效，可辅助病理诊断、优化治疗方案、筛选临床试验受试者。但需大规模多中心验证、监管审批及工作流整合，技术路径为领域提供参考。