用于 GBM 生存预测的准确且可解释的超图神经网络

arXiv：2609.25088v1 公告类型：新摘要：多形性胶质母细胞瘤（GBM）的生存预测需要准确且可解释的模型，但现有方法将这些目标视为竞争，其中高性能模型牺牲了透明度，而可解释模型则接受降低的预测能力。我们认为这种权衡并不是固有的。图神经网络为在不影响判别能力的情况下提取可解释的表示提供了结构基础。此外，当前的方法通常依赖于单一成像模式，没有充分利用多模式 MRI 和临床元数据中可用的补充信息。我们提出了一个多模态框架，该框架集成了三个组件以同时解决两个目标：（1）层超图神经网络，通过定向、不对称消息传递捕获组织块之间的高阶关系； （2）概念瓶颈层，将学习到的表征压缩为临床基础概念，增强事前可解释性； （3）扩展充分性测试（EST）正则化器，用于惩罚训练期间不忠实的解释，确保模型解释真正反映内部决策过程。通过门控融合整合临床和基因组特征，保留分子标记的主要预后信号，同时保留概念级的可追溯性。通过 5 倍交叉验证对 UPenn-GBM 数据集中的 593 名患者进行评估，我们的框架实现了 0.643 的一致性指数，在所有比较模型中具有最低的倍数水平方差 (std = 0.015)。据我们所知，这是第一个统一层超图卷积、概念瓶颈监督和 EST 正则化的工作，用于通过脑 MRI 进行可解释的生存预测