动态超图神经网络(DyHG)在骨转移癌病理分析中的创新应用：提升高阶生物关系建模与诊断精度

为解决骨转移癌病理分析中传统多实例学习(MIL)方法难以捕捉高阶生物关系的问题，研究人员提出动态超图神经网络(DyHG)，通过非线性变换和Gumbel-Softmax采样动态构建超图结构，在骨癌原发灶分类和亚型分型任务中准确率最高提升1.28%，为临床诊断提供可解释的辅助决策支持。

　　

在肿瘤临床诊疗中，骨转移癌的病理诊断犹如一场高难度"溯源行动"。当癌细胞从乳腺、前列腺等原发灶"逃逸"至骨骼，形成的转移灶往往丢失了原发肿瘤的典型特征，使得20%的病例难以明确原发部位。传统病理诊断依赖医生在显微镜下"大海捞针"般寻找特征区域，而基于多实例学习(MIL)的AI方法虽能处理全切片图像(WSI)，却像只关注单颗树木而忽视森林生态，难以捕捉分散的肿瘤细胞与复杂微环境间的高阶相互作用。

中山大学附属第一医院的研究团队在《Computer Methods and Programs in Biomedicine》发表的研究中，创新性地将超图理论引入病理图像分析。与普通图神经网络只能建立两两关系的"单线联系"不同，DyHG模型通过动态超边同时连接多个病理图像块(patch)，如同建立多方视频会议，直接捕捉远距离病灶区域的潜在关联。研究采用UNI预训练模型提取图像特征，结合Gumbel-Softmax采样优化超边分配，通过超图卷积网络聚合多区域信息，最终在包含8类原发灶和4种亚型的大规模骨转移数据集上验证性能。

关键技术包括：1)动态超图构建模块(DHCM)通过非线性变换将512维patch嵌入映射为超边；2)采用温度系数τ=0.1的Gumbel-Softmax实现可微分采样；3)超图卷积进行节点-超边双向信息传递；4)全局注意力池化整合WSI级特征。来自临床的13,485张WSI构成验证队列，每张切片平均包含8,696个图像块。

研究结果显示：
3.1 动态超图构建模块
相比K-means等静态方法，DyHG的超边分配准确率提升5.6%。如图1所示，超边能直接连接p₁-p₄等远距离相关区域，而传统图模型需通过p₁→p₂→p₃→p₄的间接传播，导致信息衰减。当超边数H=20、dropout率α=0.25时达到最优平衡。

3.2 超图卷积网络
在骨癌原发灶分类任务中，DyHG的准确率达86.32±0.96%，较最佳基线CLAMSB提升1.57%。特别在平衡准确率指标上，对样本量最少的胃肠道来源转移灶识别率提高3.7%，证明模型对罕见类型的捕捉能力。

3.3 预测性能比较
如表1所示，DyHG在两项任务的所有指标中均居首位。在亚型分类中，其加权F1值达94.11±0.43%，显著优于TransMIL等Transformer架构。图7显示DyHG的训练耗时仅为PatchGCN的1/3，且随WSI规模扩大优势更明显。

5.4 消融实验验证
移除Gumbel-Softmax采样(w/o G)使特异性下降2.3%，证实随机噪声对探索超边配置的关键作用。在平衡数据集测试中(表4)，DyHG对腺癌(AdCa)与鳞癌的区分度达89.14%，体现对形态学细微差异的敏感性。

5.7 热图可解释性分析
图9展示DyHG的注意力热图与病理学家标注的ROI高度重合。特别在甲状腺癌案例中，模型自动聚焦于具有毛玻璃样核的特征区域，与诊断金标准一致。

这项研究突破了传统病理图像分析的范式局限，将超图理论引入医疗AI领域。DyHG不仅通过动态超边建模细胞-微环境的多体相互作用，其Gumbel-Softmax采样机制更为可解释的医疗决策提供了新思路。临床应用中，该系统可辅助快速定位原发灶来源，为晚期肿瘤患者的精准治疗争取宝贵时间。未来研究可探索超边与特定生物标志物的关联，进一步解开肿瘤转移的分子机制之谜。