近期，深圳大学医学部生物医学工程学院汪天富教授团队的研究成果《Unsupervised domain selective graph convolutional network for preoperative prediction of lymph node metastasis in gastric cancer》在顶级期刊Medical Image Analysis（2021年IF：13.828）上发表。论文通讯作者是雷柏英特聘教授和马国林教授，第一作者是博士研究生张永涛，深圳大学为第一署名单位，北京中日友好医院为合作单位。

胃癌是全球癌症相关死亡的第三大原因。淋巴结转移是胃癌预后的主要因素之一，对选择合理的手术入路和预后计划起着至关重要的作用。淋巴结勾画过程是逐切片手工完成的，这是高度主观的、劳动成本和耗时的。为了满足临床需求，迫切需要开发一种有效的计算机辅助诊断系统，以补充传统的成像工具，减轻放射科医生的负担。

该研究提出了一种新颖的多源域自适应框架，该框架不仅提取了域不变和域特定特征，而且实现了跨域的不均衡知识转移和类感知特征对齐。首先，该研究开发了一个改进的特征金字塔网络从高分辨率3D CT图像中提取公共的多级特征，其中被提出的特征动态迁移模块用以提高网络识别小目标（即淋巴结）的能力。然后，该研究设计了一个无监督域选择图卷积网络，它主要包括三种类型的组件：域特定特征提取器、域选择器和类感知图卷积分类器。具体来说，多个域特定特征提取器用于从改进的特征金字塔网络生成的公共多级特征中学习域特定特征。域选择器利用最优传输理论旨在控制从源域传输到目标域的知识量。类感知图卷积分类器被提出以显式地增强/削弱跨域所有样本对的类内/类间相似性。为了优化无监督域选择图卷积网络，域选择器和类感知图卷积分类器通过协作学习的方式在迭代过程中相互提供可靠的目标伪标签。广泛的实验是在从四个医疗中心收集的内部CT 图像数据集上进行的，且所提出的方法在实验设定的四个任务中分别完成了84.31%、65.45%、76.92%和75.68%的准确率，均优于经典的机器学习方法和最先进的迁移学习方法。

该研究获得了国家自然科学基金、广东省自然科学基金、深圳市重点基础研究发展计划、马歇尔生物医学工程实验室，北京市科技发展计划等项目资助。

本研究提出的两阶段框架，其包括改进的特征金字塔网络和无监督域选择图卷积网络。