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
相关研究与后续进展
核心概要
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。
Fig. 1 Overview of the proposed ZAGNet framework, consisting of three stages: (1) node construction from temporally tracked pathology findings, (2) graph
arXiv · 第 2 页深度剖析
把患者级肺部超声诊断建模为分区图上的推理：病理发现作为节点，节点间由解剖分区邻接关系连接，图 Transformer 在相邻肺区之间传播上下文信息。 既有诊断 AI 方法主要分析单帧或视频回放，并在患者级推断时依赖最大池化或平均池化等启发式聚合，忽略分区之间的关系；该工作以显式的分区邻接图结构替代这种聚合。 摘要给出方法构成（图节点、解剖邻接、图 Transformer、虚拟全局节点）与仅用患者级监督的训练设定，并报告与最大池化、平均池化两种聚合基线的 AUC 对比。
虚拟全局节点聚合图级特征，使模型在仅有患者级标签的监督下即可预测患者级肺实变与胸腔积液。 无需分区级标注即可完成患者级推断，把监督信号保持在患者层面。 摘要明确说明“using only patient-level supervision”，并给出两类患者级诊断任务的 AUC 结果。
模型在图结构上计算，不依赖固定输入格式或尺寸，因而可容纳检查中缺失的分区。 针对临床检查常采用可变且不完整的扫描方案、存在缺失分区这一情形，图结构使输入分区数可变（数据中为 4 至 16 个分区）。 摘要说明图结构无固定输入格式或大小，并报告多中心数据中每例检查分区数在 4 至 16 之间、覆盖前、后、侧胸区域。
在多中心数据上，图式分区间推理相对池化聚合取得更高 AUC：肺实变 0.803 对 0.677（最大池化）与 0.674（平均池化）；胸腔积液 0.893 对 0.804（最大池化）与 0.815（平均池化）。 摘要称这两项分别对应最高约 19% 与 11% 的提升，并据此认为图式分区间推理是有效且与临床一致的框架。 评估基于 714 名受试者、20,256 段肺部超声视频回放的多中心数据集，并与两种池化基线直接比较 AUC。
启示与展望
该结果面向患者级肺部超声评估场景：输入为按解剖分区采集、经时间追踪的病理发现，检查可包含 4 至 16 个分区并覆盖前、后、侧胸区域，且允许存在缺失分区。适用对象是需要整合多分区发现以判断肺实变与胸腔积液的患者级诊断任务，训练仅需患者级监督。对希望把分区间关系纳入聚合环节的研究者与工程实现者，这一图结构提供了可复用的建模方式；对临床使用者，其意义在于检查方案可变、不完整时仍可给出患者级输出。
本次读取范围仅为摘要，正文中的图、表与实现细节未纳入，因此分区级标注是否完全缺失、图 Transformer 的具体层数与训练细节、以及 4 至 16 分区缺失模式下的分层表现，均无法从现有文本确认。摘要报告的是 AUC 这一判别指标，未给出校准、阈值选择或临床工作流中的使用方式。多中心数据覆盖 714 名受试者与 20,256 段视频回放，但摘要未说明各中心、各设备或各人群亚组的分布，因此在不同采集条件下的稳定性仍是值得关注的开放问题。