《Computer Methods and Programs in Biomedicine》：Spatial context-aware breast cancer molecular subtype prediction in whole-slide images using graph convolutional networks: Cross-domain evaluation
编辑推荐：
背景与目的：乳腺癌分子亚型的确定对于个性化治疗计划至关重要，但目前依赖昂贵的基因表达谱分析（gene expression profiling, GEP）或免疫组织化学（immunohistochemistry, IHC），不一致率高达30%。本研究对直接从苏
背景与目的：乳腺癌分子亚型的确定对于个性化治疗计划至关重要，但目前依赖昂贵的基因表达谱分析（gene expression profiling, GEP）或免疫组织化学（immunohistochemistry, IHC），不一致率高达30%。本研究对直接从苏木精-伊红染色（H&E）全切片图像（whole-slide images, WSIs）预测分子亚型的上下文感知机制进行了系统比较，评估了基于图的空间建模与基于注意力的聚合在多种架构、数据集和部署场景中的表现。
方法：研究人员采用WSI2Graph框架将全切片图像表示为空间k近邻（k-NN）图，从而在相同的特征提取条件下，对上下文感知（context-aware, CA）图卷积聚合与非上下文感知（non-context-aware, NCA）注意力池化进行受控比较。三个评估协议（EP1–EP3）分别评估域内性能（EP1；BCNB数据集，1058例核心针穿刺活检）、受限跨域迁移（EP2；SBC数据集，533例手术切除标本）以及基础模型整合（EP3；CONCH），所有比较均采用McNemar配对检验验证。此外，还报告了图拓扑特征、沿三个轴（注意力集中度、组织组成、空间覆盖）的定量可解释性分析，以及治疗相关亚型的每类临床指标。
结果：域内（EP1），CA在所有三个分类任务上均显著优于NCA（p<0.025），二元、三元和四元亚型分类的准确率分别提升+4.6、+9.2和+8.7个百分点。容量和坐标消融实验表明，聚合器容量在观察到的准确率优势中占相当大比例，而真实空间坐标则降低了各任务间的训练方差。在受限迁移（EP2）下，CA在二元和四元任务上与NCA相当，仅三元任务显示NCA显著优势（p=0.002）。使用基础模型特征（EP3）时，未检测到CA与NCA之间的显著差异（p>0.07），这与特征质量以及EP3更广泛的重训练范围超过聚合策略对跨域迁移的影响一致。可解释性分析显示，两种架构均富集肿瘤和炎症区域，CA的前列关注区域覆盖66%的活检面积，而NCA为29%；两者在最具挑战性的任务上逐渐收敛。
结论：上下文感知模型在域内显著优于注意力聚合，但这种优势在域偏移下并不统一持续。跨域迁移取决于任务、特征质量及重训练范围，并与核心针穿刺活检和手术切除标本之间的结构域偏移相关，而非单一模式。这些发现为不同部署场景下的架构-特征选择提供了实践指导。
乳腺癌是女性最常见的恶性肿瘤，分子亚型的准确分型对个体化治疗至关重要。目前临床主要依赖基因表达谱（gene expression profiling, GEP）或免疫组织化学（immunohistochemistry, IHC）确定分子亚型，但GEP价格昂贵且需要专门设备和专业知识，IHC与GEP的不一致率可高达30%，且IHC操作和判读缺乏标准化。近年来，深度学习直接从苏木精-伊红染色（H&E）全切片图像（whole-slide images, WSIs）预测分子亚型成为研究热点，但多数方法采用多实例学习（multiple instance learning, MIL）聚合补丁特征，未显式建模组织区域间的空间关系，且缺乏跨域验证。图卷积网络（graph convolutional networks, GCNs）能够保留空间和上下文信息，但在乳腺癌分子亚型预测中的应用尚未被系统研究。为此，研究人员开展了本研究，旨在系统比较上下文感知（context-aware, CA）与非上下文感知（non-context-aware, NCA）聚合机制在不同部署场景下的表现，为架构选择提供证据。
研究人员采用WSI2Graph框架将WSIs表示为空间k近邻（k-NN）图，在相同特征提取条件下，比较CA图卷积聚合（GENConv消息传递+门控注意力池化）与NCA注意力池化。通过三个评估协议：域内评估（EP1，BCNB数据集，1058例核心针穿刺活检）、受限跨域迁移（EP2，SBC数据集，533例手术切除标本）和基础模型特征评估（EP3，CONCH），并使用McNemar配对检验验证差异。研究还进行了图拓扑分析、可解释性分析（注意力集中度、组织组成、空间覆盖）和消融实验。研究发现，域内CA显著优于NCA，准确率分别提升+4.6、+9.2、+8.7个百分点；但在跨域时优势并不统一，仅在受限迁移的三元任务中NCA显著占优；使用CONCH特征时两者无显著差异。这些结果为不同临床部署场景下的架构-特征选择提供了实践指导。
研究人员采用了以下关键技术方法：使用预训练组织分割模型进行补丁过滤，保留组织含量≥60%的补丁；采用VGG16或CONCH作为补丁特征提取器；通过k-NN（k=19）在坐标空间构建图，使用GENConv层和门控注意力池化作为CA聚合器，NCA仅使用门控注意力池化；使用McNemar检验、消融实验（容量匹配、坐标打乱、随机边）和可解释性分析。样本队列包括BCNB（1058例）和SBC（533例）。
研究结果如下：
5.1 评估协议1：BCNB数据集上的域内评估
5.1.1 非上下文感知（NCA）特征提取器：通过比较VGG16、ResNet50及均值/最大/注意力/TransMIL池化，确定VGG16+注意力池化（学习率2×10
?3）为最佳NCA配置。
5.1.2 上下文感知（CA）特征提取器：基于NCA特征构建图，比较不同GCN层类型和k值，确定GENConv层（k=19，5层）为最佳CA配置。
5.1.3 域内性能比较：在BCNB测试集（218例）上，CA在二元、三元、四元任务上准确率分别为88.5%、69.3%、48.6%，均显著高于NCA（83.9%、60.1%、39.9%），McNemar检验p值分别为0.021、0.010、0.014。
5.2 评估协议2：受限跨域迁移
在SBC上冻结特征提取器，仅重训练分类器。CA在二元和四元任务上与NCA相当，但三元任务中NCA显著更优（准确率73.4% vs 67.0%，p=0.002）。
5.2.1 图拓扑分析：BCNB和SBC的k-NN图在空间结构上存在显著差异（直径、介数中心性、聚类系数等），仅用结构指标即可95.3%准确率区分两个数据集，表明结构域偏移可能是CA跨域优势丧失的原因。
5.3 评估协议3：基础模型特征评估
使用CONCH特征在SBC上重新训练聚合器和分类器。CA与NCA在所有任务上均无显著差异（所有p>0.07），提示高质量特征和更广的重训练范围可抵消聚合策略差异。
5.3.1 CONCH特征整合：CONCH替换VGG16，保持相同图拓扑和架构。
5.3.2 基础模型跨域结果：CONCH+GCN与CONCH+Attention性能相近，F1-score分别约为0.87（二元）、0.82（三元）、0.72（四元）。
5.4 临床性能指标
针对TNBC和HER2(+)进行每类指标分析。域内CA在四元任务中HER2(+)敏感性更高（55.9% vs 40.7%），但TNBC敏感性较低（34.6% vs 42.3%）。置信操作特征（COC）分析显示CA在域内具有更好的选择性预测质量。
5.5 模型可解释性分析
NCA将注意力集中在约7%的补丁上（Gini系数0.68–0.75），CA在二元任务中覆盖40%补丁（Gini 0.15），随任务难度增加逐渐集中（四元13%，Gini 0.63）。两种架构均富集肿瘤和炎症组织，且随着任务难度增加，CA的注意力分布与NCA收敛。
5.6 跨协议综合
域内CA优势随任务复杂度增加；跨域时优势消失与结构域偏移相关；基础模型下无差异。可解释性分析显示CA在四元任务上结合空间上下文与内容关注获得最大F1优势。
5.7 容量和坐标消融分析
容量匹配实验表明，聚合器容量占CA精度优势的48%（二元）至79%（四元）。真实坐标主要降低训练方差（三元任务上标准差从1.72降至1.51），而非提高平均准确率。消融还发现CA在四元任务上预测Luminal B比例过高（46% vs 真实31%），导致少数类召回率下降。
讨论部分指出，图神经网络在病理学中主要应用于生存预测、分级和检测，分子亚型预测应用较少。域内CA优势主要来自聚合器容量和空间坐标的稳定作用。跨域时图拓扑差异和类分布不均导致CA优势不再。基础模型特征和更广的重训练范围可消除聚合策略差异。H&E空间建模具有辅助临床的潜力，但不能替代现有IHC或基因检测标准。研究结论翻译如下：上下文感知模型在域内显著优于注意力聚合，但这种优势在域偏移下并不统一持续。跨域迁移的效果取决于任务、特征质量及重训练范围，并与核心针穿刺活检和手术切除标本之间的结构域偏移相关。这些发现为不同部署场景下的架构-特征选择提供了实践指导。
