基于余弦相似度的图同构网络用于多类贫血分类

《Array》：CS-GIN: A Cosine Similarity-Based Graph Isomorphism Network for Multi-Class Anemia Classification

　　

准确的贫血诊断仍然具有挑战性，原因是贫血亚型的异质性特征以及血液学生物标志物之间的复杂相互作用。传统的机器学习方法通常将患者记录视为独立观察样本，限制了其利用具有相似血液学特征的患者之间临床有意义关系的能力。为了解决这一局限性，本研究提出了一种基于余弦相似度的图同构网络（CS-GIN）用于多类贫血分类。将包含513份患者记录的血液学数据集使用余弦相似度转换为患者相似图，其中患者表示为图节点，相似性关系表示为图边。首先进行了参数敏感性分析以确定最优余弦相似度阈值，然后与基于欧氏距离和K近邻（KNN）的图构建策略进行了比较。在分层五折交叉验证下，使用图卷积网络（GCN）、图注意力网络（GAT）、传统图同构网络（GIN）和所提出的CS-GIN对生成的图进行了评估。实验结果表明，CS-GIN在所有图神经网络模型中取得了最佳性能，平均准确率为90.24%，优于GCN（84.39%）、GAT（84.59%）和传统GIN（83.23%）。使用Friedman和Nemenyi检验确认了统计显著性。使用SHAP和GNNExplainer的可解释性分析一致地确定了铁蛋白（Ferritin）、HbA₂、RET-He和MCV为最具影响力的生物标志物，而图拓扑和嵌入分析表明学习到的表示有效保留了有意义的患者相似性关系。这些发现表明，感知相似性的图构建显著增强了图表示学习，并为基于图的多类贫血分类提供了一个有效且可解释的框架。

本研究针对贫血诊断中因亚型异质性与生物标志物复杂交互导致的挑战，提出了一种基于余弦相似度的图同构网络（CS-GIN）用于多类贫血分类。研究背景指出，传统机器学习方法将患者视为独立样本，未能利用具有相似血液学特征患者间的关系信息。为弥补这一不足，研究人员开发了CS-GIN框架，通过将血液学数据转换为患者相似图，并利用图同构网络（GIN）进行图表示学习。研究使用了包含513份血液学记录的数据集，其中患者为图节点，余弦相似度构建边。通过参数敏感性分析确定最优余弦相似度阈值（τ=0.95），并与欧氏距离和K近邻（KNN）图构建策略对比。在分层五折交叉验证下，CS-GIN与图卷积网络（GCN）、图注意力网络（GAT）及传统GIN比较，取得了平均准确率90.24%，显著优于其他图神经网络模型。Friedman和Nemenyi检验证实了统计显著性。可解释性分析（SHAP和GNNExplainer）一致识别出铁蛋白（Ferritin）、HbA₂、RET-He和MCV为关键生物标志物，图拓扑与嵌入分析表明学习表示保留了有意义的患者相似关系。结论是，感知相似性的图构建显著增强了图表示学习，为基于图的多类贫血分类提供了有效且可解释的框架。该论文发表在《Array》，其重要意义在于展示了图构造策略作为图神经网络核心设计组件的价值，并为贫血诊断提供了新型分析视角。

研究人员为开展研究使用了以下关键技术方法：数据预处理（中位数插补和z-score标准化）；基于余弦相似度的患者图构建（通过阈值τ=0.95控制稀疏性）；图神经网络模型包括GCN、GAT、GIN及所提出的CS-GIN；采用分层五折交叉验证进行模型评估；使用Friedman和Nemenyi检验进行统计显著性分析；可解释性分析采用SHAP（全局特征重要性）和GNNExplainer（图特定解释）；图拓扑分析包括度分布和连接组件；嵌入可视化使用t-分布随机邻域嵌入（t-SNE）。数据来源于印度尼西亚日惹特区合作临床研究，共513例患者，分为正常、缺铁、血红蛋白病和混合贫血四类。

研究结果部分呈现如下：
**4.1 研究流程**：通过数据预处理、患者关系建模、图构建、图表示学习、图嵌入学习、多类分类、性能评估及可解释性与验证分析，建立了CS-GIN框架的完整工作流。
**4.2 数据集特征**：数据集包含513例血液学记录，分布不均衡（正常227例、缺铁186例、血红蛋白病91例、混合贫血9例），反映了真实临床流行情况。
**4.3 实验设置**：采用分层五折交叉验证、转导学习设置，对比传统机器学习模型（随机森林、XGBoost）和图神经网络（GCN、GAT、GIN），使用准确率、精确率、召回率、F1分数、ROC-AUC、马修斯相关系数（MCC）和Cohen’s Kappa指标。
**4.4 参数敏感性分析**：通过改变余弦相似度阈值τ（0.70–0.95），发现增加阈值降低图密度并提高准确率，最优τ=0.95时准确率达92.9%，图密度约0.0005。
**4.5 研究问题1**：图神经网络能否有效进行多类贫血分类？通过可视化患者相似图（图4）和定量结构分析（表3），CS-GIN生成稀疏图（894条边，密度0.0068，平均度3.49），形成193个连接组件，表明图构建成功保留局部相似社区，有利于图学习。
**4.6 研究问题2**：余弦相似度图构建是否优于传统策略？通过对比CS-GIN与传统GNN（GCN、GAT、GIN），CS-GIN平均准确率90.24%，优于GCN（84.39%）、GAT（84.59%）和GIN（83.23%），且精确率、召回率、F1分数、MCC和Kappa均更优，证实余弦相似度图构建提升了GIN性能。
**4.7 研究问题3**：CS-GIN与传统机器学习及其他图神经网络相比表现如何？XGBoost（97.86%）和随机森林（96.68%）准确率最高，但CS-GIN在所有图神经网络中最佳，Friedman排名第三，Nemenyi检验显示与XGBoost和随机森林无显著差异（p=0.595和p=0.803）。
**4.8 研究问题4**：哪些血液学生物标志物贡献最大？SHAP分析识别出铁蛋白（最重要，SHAP值0.9119）、HbA₂（0.5992）、RET-He（0.5128）和MCV（0.5099）；GNNExplainer分析确认RET-He（0.006311）、铁蛋白（0.006136）和RDW-CV（0.006136）为关键特征，两者一致支持临床相关性。
**4.9 研究问题5**：患者相似关系如何在图结构中表示？度分布呈现右偏态（多数节点度低），t-SNE嵌入可视化显示正常、缺铁和血红蛋白病样本形成可区分的聚类，混合贫血因样本数极少（n=9）分散重叠，表明图学习保留了诊断上有意义的关系。

讨论部分总结：研究表明，图构建策略是图神经网络性能的关键因素，余弦相似度图构建通过保留有意义的患者关系提升了GIN性能。尽管传统集成学习方法在当前数据集上表现更好，但CS-GIN在所有图神经网络中最佳，并提供了不可通过传统方法获得的患者关系分析。可解释性分析确认了与铁代谢、血红蛋白合成和红细胞生成相关的生物标志物。图拓扑分析显示稀疏图有利于信息传递。类不平衡（尤其是混合贫血）是主要限制，未来应收集更大规模多中心数据集并采用不平衡学习策略。转导学习设置可能高估泛化能力，未来需采用归纳学习。本研究的主要贡献在于证明了图构造作为核心设计组件的重要性。

研究结论部分翻译如下：本研究提出了一种基于余弦相似度的患者图学习框架CS-GIN，用于多类贫血分类。通过将余弦相似度图构建与图同构网络（GIN）集成，该框架显式建模患者关系并实现感知相似性的图表示学习。参数敏感性分析表明图构建对性能至关重要，最优余弦相似度阈值通过系统评估确定，且余弦相似度图构建一致优于欧氏距离和K近邻（KNN）策略。使用优化图结构，CS-GIN在所有图神经网络中取得最佳性能，平均准确率90.24%，优于传统GIN、GCN和GAT。Friedman和Nemenyi统计检验确认CS-GIN为最强的图神经网络架构。除预测性能外，通过SHAP生物标志物相关性分析、GNNExplainer图特定可解释性、图拓扑分析、度分布分析和嵌入可视化，可解释性分析一致识别出RET-He、铁蛋白、HbA₂和MCV，图表示分析表明学习嵌入有效保留了有意义的患者相似关系。这些发现表明该框架提供了有竞争力的预测性能和透明的临床解释。尽管存在单中心数据、样本量有限、静态图网络及转导学习设置等局限，未来应研究归纳学习策略、更大规模多中心数据集、动态图学习及自适应图构建方法。总体而言，本研究证明了感知相似性的图构建是改善血液学数据图表示学习的关键因素，CS-GIN为多类贫血分类提供了有效且可解释的方法，并强调了图拓扑优化在未来图临床决策系统中的重要性。