原创力文档- 1、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。。
- 2、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击 这里二次下载。
- 3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
- 4、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
- 5、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
- 6、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 7、VIP文档为合作方或网友上传，每下载1次， 网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
第51卷第3期/2025年3月/计算机工程研究论文
基于注意力及可学习阈值的全景切片图构建
陈德品,赵坤23，焦一平1,王向学1，吕泓3.4,徐军1*
（1.南京信息工程大学人工智能学院智慧医疗研究院，江苏南京210044；2.复旦大学附属肿瘤医院乳腺外科，上海200032；
3.复旦大学上海医学院肿瘤学系，上海20003；4.复旦大学附属肿瘤医院病理科，上海200032)
摘要：不同于常规阈值法或边与节点的合并等图采样方法侧重于减小图的规模，该工作提出了一种具备创新
性的基于Transformer架构的图神经网络模块AdaptConv。该模块能够在图结构中进行信息聚合的同时通过动
态学习去除余的边，从而构建出新的图,称之为重构图。重构图保留了原本图结构的有效信息，也为计算病理
提供了新的可视化角度和分析角度。为了评估AdaptConv及重构图的有效性，该工作将AdaptConv模块集成在
聚类约束注意力多种实例学习（CLAM)框架中,并在乳腺癌的激素受体（HR)和人表皮生长因子受体2（HER2）
两种分子分型的计算病理诊断预测任务上验证了模型的准确性。与原生CLAM模型相比,改进模型的曲线下面
积（AUC)指标在HR分型上取得了4.7%的提升，在HER2分型上取得了0.8%的提升。此外，AdaptConv优化
模型生成的注意力分布图更合理可靠，呈现出与诊断标准免疫组织化学染色一致的分布模式。最后，该模型生成
的重构图与特定组织区域和注意力图都表现出了关联，具备进一步研究的价值。
关键词：全景切片图像；多实例学习；图神经网络；图构建；可视化
中图分类号：TP391.5文献标志码：AD0l:10.19678/j.issn.1000-3428.0068982
GraphConstructiononWholeImageSlidesBasedonAttentionand
LearnableThreshold
CHENDepin,ZHAOShen?,JIAOYiping,WANGXiangxue,LUHong,XUJun*
(1.InstituteforArtificialIntelligenceinMedicine,SchoolofArtificialIntelligence,
NanjingUniversityofInformationScienceandTechnology,Nanjing210044,Jiangsu,China;
2.DepartmentofBreastSurgery,FudanUniversityShanghaiCancerCenter,Shanghai200032,China;
3.DepartmentofOncology,ShanghaiMedicalCollege,FudanUniversity,Shanghai200032,China;
4.DepartmentofPathology,FudanUniversityShanghaiCancerCenter,Shanghai200032,China)
[Abstract)Differentfromconventionalgraphsamplingmethodsforreducinggraphsize,suchasthresholding
methodandmergingmethodofedgeandnode,AdaptConv,aninventiveTransformer-basedgraphneuralnetwork
moduleisproposed.Thismodulecanremoveredundantedgesthroughdynamiclearningwhileag
文档评论（0）