汪琳琳 施俊 韩振奇 刘立庄

0 引言

乳腺癌是女性的高发疾病之一，其发病率和死亡率均占女性恶性肿瘤的首位[1]。乳腺癌的精确诊断对后续治疗具有重要意义。组织病理学诊断被认为是肿瘤诊断的“金标准”[2]。组织中的细胞结构和空间分布存在着潜在的关系[3]，发生病变的组织在形态、细胞空间分布等方面与正常组织存在明显的区别[4]。组织结构之间的形态变化、相邻关系和空间分布等因素对于疾病诊断也具有重要作用[5]。在临床诊断中，病理医生通过观察细胞的形态和分布进行诊断[6]费时、费力，并且诊断结果容易受到病理医生经验和知识水平等主观因素影响。使用计算机辅助诊断(computer-aided diagnosis，CAD)对病理图像进行分析诊断，能够为医生提供更加客观、可靠的诊断结果[6-7]。

以卷积神经网络(convolution neural network，CNN)为代表的深度学习方法广泛应用于病理图像分析[8-10]。CNN通过层次化的深层结构来学习特征，具有强大的抽象特征学习和表达能力[9]。由于卷积核具有局部感知和权重共享的特点，CNN能较好地表达局部的特征[8]。目前基于CNN的病理图像分类方法大多侧重于局部特征的表达[11-15]，然后组合局部特征得到图像的全局特征。但是CNN没有足够的上下文感知能力，也无法有效捕捉到组织细胞间的空间关系。

图论(graph theory)被广泛用于表示拓扑结构，利用图论对病理图像建模，可以准确捕捉细胞组织间的空间关系[3,5]。图卷积网络(graph convolution network，GCN)是一种对图结构进行卷积运算的有效方法[16]，在多种图任务中取得良好性能[17]。……