计算机应用研究

作者：王月莹,纪国华,冯伟毅,赵涓涓,强彦,马建芬,施熠炜,杨帆,

单位：1.太原理工大学a.计算机科学与技术学院(大数据学院);b.软件学院,太原030024；2.中北大学软件学院,太原030051；3.山西医科大学第一医院国家卫生健康委员会尘肺病重点实验室、山西省呼吸疾病重点实验室、呼吸与危重症医学科,太原030012；4.西山煤电(集团)有限责任公司职业病防治所,太原030053；

关键词：图神经网络,因果推断,超像素,胸片,尘肺分期,

基金：国家自然科学基金资助项目(U21A20469,62376183)；中央引导地方科技发展基金资助项目(YDZJSX2022C004)；山西省基础研究计划资助项目(202103021224066)；国家卫生健康委尘肺病重点实验室开放课题(YKFKT004)；山西省科技创新人才团队专项计划资助项目(202304051001009)；国家卫生健康委尘肺病重点实验室资助项目(2020-PT320-005)；；

针对尘肺病灶微小微薄以及现有深度学习方法受非因果特征影响，导致尘肺分期准确率低的问题，提出基于超像素先验的因果感知图卷积网络（SP-CPGCN）。具体来说，该网络通过对超像素而非整张胸片进行特征提取以学习局部微小特征；充分考虑节点间的空间邻近性和特征相似性构建图网络，设计分层聚合图卷积网络利用不同深度的信息进行信息传递和特征整合。此外，提出基于图卷积网络的自适应因果推断，利用干预损失和稳定性损失相结合的因果干预策略来避免非因果特征的干扰，设计类内一致性损失来平衡个体特异性特征和群体普遍性特征。在临床尘肺病胸片数据集上的验证结果表明，SP-CPGCN的准确率为 82.4%，精确率为 78.9%，灵敏度为 77.3%，特异度为 88.6%，AUC 为 90.3%，均优于其他方法。实验结果表明，SP-CPGCN 有效提升了尘肺病分期的准确性和稳定性，为自动化医学诊断提供了可靠的新方法。

来源：2025年第6期

《计算机应用研究》期刊编辑部

查看计算机应用研究杂志2025年第6期