arXiv 2026年10月5日该工作提出 ZAGNet，一种分区感知图神经网络，把按时间追踪的肺部超声病理发现作为图节点、以解剖分区邻接关系连边，用图 Transformer 在相邻肺区之间传播上下文，并以虚拟全局节点聚合图级特征，仅用患者级监督预测肺实变与胸腔积液；在 714 名受试者、20,256 段超声视频回放、每例 4 至 16 个分区（前、后、侧胸）的多中心数据上，肺实变 AUC 为 0.803（最大池化 0.677、平均池化 0.674），胸腔积液 AUC 为 0.893（最大池化 0.804、平均池化 0.815），并因在图结构上计算而可容纳缺失分区。该工作提出 ZAGNet，一种分区感知图神经网络，把按时间追踪的肺部超声病理发现作为图节点、以解剖分区邻接关系连边，用图 Transformer 在相邻肺区之间传播上下文，并以虚拟全局节点聚合图级特征，仅用患者级监督预测肺实变与胸腔积液；在 714 名受试者、20,256 段超声视频回放、每例 4 至 16 个分区（前、后、侧胸）的多中心数据上，肺实变 AUC 为 0.803（最大池化 0.677、平均池化 0.674），胸腔积液 AUC 为 0.893（最大池化 0.804、平均池化 0.815），并因在图结构上计算而可容纳缺失分区。ZAGNet 用解剖分区邻接图聚合肺部超声，患者级诊断 AUC 达 0.803（肺实变）与 0.893（胸腔积液），优于最大/平均池化该工作提出 ZAGNet，一种分区感知图神经网络，把按时间追踪的肺部超声病理发现作为图节点、以解剖分区邻接关系连边，用图 Transformer 在相邻肺区之间传播上下文，并以虚拟全局节点聚合图级特征，仅用患者级监督预测肺实变与胸腔积液；在 714 名受试者、20,256 段超声视频回放、每例 4 至 16 个分区（前、后、侧胸）的多中心数据上，肺实变 AUC 为 0.803（最大池化 0.677、平均池化 0.674），胸腔积液 AUC 为 0.893（最大池化 0.804、平均池化 0.815），并因在图结构上计算而可容纳缺失分区。该工作提出 ZAGNet，一种分区感知图神经网络，把按时间追踪的肺部超声病理发现作为图节点、以解剖分区邻接关系连边，用图 Transformer 在相邻肺区之间传播上下文，并以虚拟全局节点聚合图级特征，仅用患者级监督预测肺实变与胸腔积液；在 714 名受试者、20,256 段超声视频回放、每例 4 至 16 个分区（前、后、侧胸）的多中心数据上，肺实变 AUC 为 0.803（最大池化 0.677、平均池化 0.674），胸腔积液 AUC 为 0.893（最大池化 0.804、平均池化 0.815），并因在图结构上计算而可容纳缺失分区。