图神经网络编码

数据上传与参数设置

上传节点数据文件

拖放节点数据文件到这里或点击上传

支持的格式: CSV (包含节点ID和多模态特征)

文件应包含节点ID、类型和多模态特征 (基因表达、临床特征、影像特征等)

上传边数据文件

拖放边数据文件到这里或点击上传

支持的格式: CSV (包含源节点、目标节点和边属性)

文件应包含源节点ID、目标节点ID和边的属性信息

示例数据预览

node_id,node_type,gene1,gene2,gene3,gene4,gene5,...,age,gender,bmi,...,image_feature1,image_feature2,...,label
N001,tumor,3.21,1.54,2.78,0.92,3.45,...,62,M,27.3,...,0.82,0.67,...,malignant
N002,tumor,2.87,1.92,3.15,1.23,2.76,...,57,F,24.8,...,0.76,0.52,...,malignant
N003,tumor,1.56,0.87,1.92,0.54,1.23,...,54,F,22.1,...,0.35,0.27,...,benign
...
                                    

节点数据包含多模态特征：基因表达、临床特征和影像特征，以及节点标签

source,target,edge_type,distance,interaction_score,gene_correlation,spatial_relation
N001,N004,tumor_normal,0.34,0.67,0.21,adjacent
N001,N005,tumor_immune,0.28,0.82,0.45,infiltrating
N001,N006,tumor_stroma,0.31,0.74,0.32,surrounding
...
                                    

边数据定义了节点间的连接关系和边的属性，如距离、交互分数、基因相关性等

分析参数

图结构参数

使用边特征

启用边特征可以提高模型对节点关系的理解

有向图

指定图结构是否为有向图

边权重属性

选择用作边权重的属性

GNN模型参数

GNN架构

选择GNN的基本架构

GNN层数

GNN层数决定了消息传递的步数

隐藏层维度

GNN隐藏层的维度

图池化方法

用于整合节点特征的池化方法

训练参数

学习率

模型训练的学习率

训练轮数

模型训练的最大轮数

批量大小

训练的批量大小

丢弃率

0.0 0.2 0.5

模型训练中的丢弃率，用于防止过拟合

分析结果

上传数据并运行分析后，结果将显示在这里

分析完成!

您的多模态图数据已成功通过GNN进行分析。模型整体准确率达到90%，生成了详细的节点嵌入和特征重要性分析。

图网络可视化

上图展示了多模态数据构建的图网络结构。不同颜色的节点代表不同类型的细胞或组织：红色为恶性肿瘤，橙色为良性肿瘤，绿色为正常组织，蓝色为免疫细胞，紫色为基质细胞。边的粗细表示交互强度，不同颜色代表不同类型的细胞间关系。

节点嵌入可视化

节点嵌入可视化展示了GNN学习到的节点表示。左图为2D表示，右图为3D表示。可以观察到，相同类型的节点在嵌入空间中聚集在一起，说明GNN成功捕捉到了节点的类型信息。恶性和良性肿瘤节点在嵌入空间中有明显的分离，便于后续的分类任务。

边重要性分析

边重要性分析揭示了不同关系对模型的贡献。颜色越深的边表示对预测结果的影响越大。肿瘤-免疫细胞的关系（平均重要性1.42）是最重要的边类型，其次是肿瘤-基质细胞关系（1.21）和肿瘤-正常组织关系（1.06）。这表明免疫微环境在肿瘤分类中起着关键作用。

图统计信息

节点统计

总节点数	20
肿瘤节点	10 (50%)
正常组织节点	3 (15%)
免疫细胞节点	3 (15%)
基质细胞节点	4 (20%)
平均度	3.2
聚类系数	0.12

边统计

总边数	32
肿瘤-正常组织边	10 (31.25%)
肿瘤-免疫细胞边	10 (31.25%)
肿瘤-基质细胞边	12 (37.5%)
平均交互分数	0.65
平均基因相关性	0.28
图密度	0.17

节点特征可视化

节点特征可视化展示了不同模态特征的分布。左图显示基因表达特征PCA降维后的分布，中图显示影像特征PCA降维后的分布，右图显示整合多模态特征后的t-SNE降维分布。可以观察到，整合多模态特征后的表示比单一模态更能区分不同类型的节点。

特征重要性分析

特征重要性分析揭示了各个特征对模型预测的贡献。边特征（平均重要性0.0784）对模型最为重要，其次是影像特征（0.0582）、基因表达特征（0.0487）和临床特征（0.0326）。在具体特征中，交互分数、影像特征1、基因3和年龄是最具辨别力的特征。

多模态特征分析

模态贡献分析

模态	平均重要性	良性肿瘤贡献	恶性肿瘤贡献
基因表达	0.0487	35%	42%
临床特征	0.0326	18%	15%
影像特征	0.0582	22%	28%
边特征	0.0784	25%	15%

* 贡献百分比表示各模态对分类决策的相对重要性

关键特征组合

以下特征组合在区分恶性和良性肿瘤中最为有效：

基因表达 + 边交互： 基因3高表达 + 免疫细胞高交互分数 → 恶性
影像特征 + 临床特征： 影像特征1高值 + 年龄>60岁 → 恶性
基因表达 + 影像特征： 基因5高表达 + 影像特征2高值 → 恶性
边特征组合： 免疫细胞高交互 + 基质细胞高交互 → 恶性

主要发现

肿瘤微环境（尤其是免疫细胞和基质细胞的交互）是区分恶性和良性肿瘤的关键因素。多模态特征的整合显著提高了预测准确率（比单一模态高15%）。

特征分布统计

不同类型节点的关键特征统计

节点类型	基因特征表达(平均)	年龄(平均)	吸烟比例	影像特征强度(平均)	免疫细胞交互强度
恶性肿瘤	3.24	64.5	85%	0.81	0.80
良性肿瘤	1.45	56.8	25%	0.32	0.49
正常组织	0.85	-	-	0.11	-
免疫细胞	1.41	-	-	0.47	-
基质细胞	1.08	-	-	0.34	-

GNN模型架构

上图展示了多模态图神经网络的完整架构。左侧为节点和边的多模态特征输入，中间为图卷积层进行消息传递，右侧为全连接层和输出层。模型包含两个GCN层，隐藏层维度为128，最终通过全局池化和两个全连接层输出预测结果。

模型参数和配置

GNN层配置

GNN架构	图卷积网络 (GCN)
GNN层数	2
输入特征维度	基因表达: 10, 临床: 6, 影像: 5
隐藏层维度	128
激活函数	ReLU
归一化	图层归一化
丢弃率	0.2

全连接层和训练配置

全连接层维度	[256, 128, 64]
池化方法	平均池化
输出类别	5 (恶性, 良性, 正常, 免疫, 基质)
批量大小	32
学习率	0.001
优化器	Adam
训练轮数	100 (早停在第78轮)

模型工作流程

数据预处理：读取节点和边数据，构建图结构，标准化特征
特征转换：将不同模态的特征分别处理并整合：
- 基因表达特征 → 线性层 → 10 to 64维
- 临床特征 → 嵌入+线性层 → 6 to 32维
- 影像特征 → 线性层 → 5 to 32维
- 特征融合 → 128维节点表示
边特征处理：边的属性被转换为8维向量，用于更新消息传递过程
消息传递：通过两层GCN，节点汇聚邻居信息，更新自身表示
图表示：通过平均池化，将所有节点的表示聚合为图表示
分类预测：图表示通过三层全连接网络，输出最终的预测
梯度回传：基于交叉熵损失计算梯度，更新网络参数
特征重要性分析：使用集成梯度法计算各特征对预测的贡献

模型训练总时间: 125秒，推理时间: 每个样本平均0.18秒，模型大小: 2.3MB

模型创新点

多模态特征融合边特征增强层次化消息传递可解释性分析注意力模块

多模态特征融合：创新性地整合基因表达、临床和影像特征，通过专门的特征转换层处理不同类型的数据
边特征增强：利用边的属性（距离、交互分数等）增强消息传递，提高对节点关系的建模能力
层次化消息传递：设计两阶段消息传递机制，先聚合同类型节点信息，再聚合跨类型节点信息
可解释性分析：集成梯度和注意力可视化，提供细粒度的决策解释
领域适应性：模型架构专门针对生物医学数据特点设计，具有较强的泛化能力

模型性能评估

左图显示模型的混淆矩阵，右图展示不同类别的精确率、召回率和F1分数。模型在恶性肿瘤分类上表现最好（精确率86%，召回率85%），总体准确率达90%。预测正常组织、免疫细胞和基质细胞时准确率为100%，而在区分恶性和良性肿瘤时有少量误分类。

模型比较

模型	准确率	精确率	召回率	F1分数	AUC	特点
多模态GNN (本模型)	90%	88%	89%	88%	0.96	整合多模态数据，利用图结构
单模态GNN (仅基因表达)	75%	74%	75%	74%	0.87	仅使用基因表达数据构建图
多模态MLP	72%	70%	72%	71%	0.84	使用多模态数据但不考虑图结构
随机森林	68%	67%	68%	67%	0.82	传统机器学习方法
GraphSAGE	82%	81%	82%	81%	0.92	另一种GNN架构

预测结果详情

节点ID	真实标签	预测标签	置信度	正确性	关键特征
N001	malignant	malignant	0.92	✓	gene3高表达, 高免疫交互
N002	malignant	malignant	0.89	✓	gene5高表达, 影像特征显著
N003	benign	benign	0.78	✓	基因表达适中, 低免疫交互
N004	normal	normal	0.95	✓	基因表达低, 影像特征弱
N007	malignant	malignant	0.87	✓	gene1高表达, 高基质交互
N008	malignant	malignant	0.94	✓	基因表达高, 高年龄, 免疫交互高
N009	benign	benign	0.81	✓	低年龄, 基因表达适中
N013	malignant	benign	0.65	✗	基因表达较低（异常）
N014	benign	benign	0.85	✓	基因表达低, 影像特征弱
N019	benign	malignant	0.61	✗	高免疫交互（异常）

应用建议

主要发现与建议：

多模态整合：模型显示整合多模态数据能显著提高肿瘤分类准确率，建议在临床应用中同时采集基因表达、临床和影像特征
关系重要性：肿瘤与免疫微环境的交互对判断肿瘤类型至关重要，建议重点关注这一方面的信息
关键特征：gene3、gene5表达水平，免疫细胞交互强度，和年龄是预测肿瘤性质的最重要指标
异常样本处理：对于模型误分类的样本，建议进行更深入的临床检查，这些样本可能具有非典型特征
部署策略：模型规模较小(2.3MB)，可以部署在边缘设备上进行实时推理，支持临床决策

工具说明

支持的数据格式