利用自适应上下文传播深度图神经网络结合迁徙海象算法检测卵巢癌

《Indian Journal of Gynecologic Oncology》：Ovarian Cancer Detection Using Adaptive Contextual Propagation Deep Graph Neural Network with Migrating Walrus Algorithm

卵巢癌（EOC）因肿瘤形态复杂、组织切片图像对比度低及噪声干扰导致诊断困难，传统方法存在特征表示不足、分割不准和泛化能力弱等问题。本文提出ACPDGNNet-MWA框架，通过O-CRCKF噪声抑制、PTMT-TT精准分割、E-VGG19特征提取和ACPDGNNet高效分类四阶段，结合迁移walrus算法优化，在EOC数据集上取得99.9%准确率、99.8%精确率、99.7%敏感度及99.6%DSC，显著优于现有方法。

　　

摘要

目的

卵巢癌（OC）仍然是全球女性中最致命的恶性肿瘤之一，其中上皮性卵巢癌（EOC）由于肿瘤形态复杂、组织病理学图像中的组织对比度低以及噪声干扰，诊断尤为困难。传统的诊断方法存在特征表示不足、分割不准确和泛化能力弱的问题，从而导致分类准确性降低。

方法

我们提出了一种采用迁移海象算法（Migrating Walrus Algorithm，简称MWA）优化的自适应上下文传播深度图神经网络（Adaptive Contextual Propagation Deep Graph Neural Network，简称ACPDGNNet-MWA）。该流程整合了多个阶段：(i) 通过一种基于可观测性约束的无重采样立方卡尔曼滤波器（Observability-Constrained Resampling-Free Cubature Kalman Filter，简称O-CRCKF）进行图像增强以减少噪声；(ii) 通过经过提示调优的多任务分类变换器（Prompt-Tuned Multi-Task Taxonomic Transformer，简称PTMT-TT）实现精确分割；(iii) 使用改进的VGG19（Enhanced VGG19，简称E-VGG19）进行鲁棒的特征提取；(iv) 通过ACPDGNNet进行高效分类，该网络结合了上下文注意力网络（Contextual Attention Network，简称CAN）和自适应传播深度图神经网络（Adaptive Propagation Deep Graph Neural Network，简称AP-DGNN）。模型参数通过MWA进一步优化，以提高收敛性和泛化能力。

结果

在EOC组织病理学数据集上的广泛实验表明，所提出的方法具有显著优势，实现了99.9%的准确率、99.8%的精确度、99.7%的灵敏度以及99.6%的Dice相似系数（Dice Similarity Coefficient，简称DSC），超越了现有的最佳水平。

结论

ACPDGNNet-MWA框架提供了一种高精度且计算效率高的卵巢癌检测方法，为卵巢癌诊断中的临床决策支持提供了巨大潜力。