HyperPriv-EPN: Hypergraph Learning with Privileged Knowledge for Ependymoma Prognosis

📄 arXiv: 2601.00626v1 📥 PDF

作者: Shuren Gabriel Yu, Sikang Ren, Yongji Tian

分类: cs.CV, cs.LG

发布日期: 2026-01-02

备注: 6 pages, 2 figures, 2 tables

💡 一句话要点

HyperPriv-EPN：利用特权知识的超图学习用于室管膜瘤预后

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 室管膜瘤 术前预后 特权信息学习 超图学习 知识蒸馏

📋 核心要点

  1. 室管膜瘤术前预后困难，现有方法难以利用术后报告的语义信息。
  2. HyperPriv-EPN利用超图学习和分离图策略，通过双流蒸馏将术后知识迁移到术前。
  3. 在311名患者队列中验证，HyperPriv-EPN实现了最先进的诊断准确性和生存分层。

📝 摘要（中文）

室管膜瘤的术前预后对于治疗计划至关重要，但由于MRI缺乏与术后手术报告相比的语义信息，因此具有挑战性。现有的多模态方法无法在推理时利用这种特权文本数据。为了弥合这一差距，我们提出了HyperPriv-EPN，一个基于超图的利用特权信息学习（LUPI）框架。我们引入了一种分离图策略，利用共享编码器处理教师图（富含特权术后信息）和学生图（仅限于术前数据）。通过双流蒸馏，学生学习仅从视觉特征中推断出语义社区结构。在311名患者的多中心队列中验证，HyperPriv-EPN实现了最先进的诊断准确性和生存分层。这有效地将专家知识转移到术前环境中，释放了历史术后数据的价值，以指导新患者的诊断，而无需在推理时使用文本。

🔬 方法详解

问题定义：室管膜瘤的术前预后对于治疗至关重要，但MRI图像缺乏语义信息，难以准确预测。现有方法依赖术后报告，但在术前无法使用，限制了其应用价值。因此，如何仅利用术前MRI数据实现准确预后是亟待解决的问题。

核心思路：论文的核心思路是利用“特权信息学习”（LUPI）框架，将包含丰富语义信息的术后报告作为“特权知识”，指导模型学习仅从术前MRI图像中提取有效特征。通过知识蒸馏，将教师模型（利用术后信息）的知识迁移到学生模型（仅使用术前信息），使学生模型能够“幻觉”出语义社区结构。

技术框架：HyperPriv-EPN框架包含以下主要模块：1) 共享编码器：用于提取MRI图像的视觉特征；2) 教师图：基于术后报告构建，包含丰富的语义信息；3) 学生图：仅基于术前MRI图像构建；4) 双流蒸馏：通过最小化教师图和学生图之间的差异，将知识从教师模型迁移到学生模型。整体流程是，首先利用共享编码器提取MRI图像特征，然后分别构建教师图和学生图，最后通过双流蒸馏训练学生模型。

关键创新：论文的关键创新在于：1) 提出了一种基于超图的LUPI框架，能够有效利用特权知识进行知识迁移；2) 引入了“分离图策略”，将教师图和学生图分离，避免了信息泄露；3) 提出了双流蒸馏方法，能够有效将教师模型的知识迁移到学生模型。

关键设计：论文的关键设计包括：1) 超图构建：利用MRI图像的视觉特征和术后报告的语义信息构建超图，能够有效表示患者之间的关系；2) 分离图策略：将教师图和学生图分离，避免了信息泄露；3) 双流蒸馏：通过最小化教师图和学生图之间的差异，将知识从教师模型迁移到学生模型。具体的损失函数包括结构相似性损失和特征相似性损失。网络结构采用图神经网络（GNN）进行特征提取和预测。

🖼️ 关键图片

fig_0
fig_1
img_2

📊 实验亮点

HyperPriv-EPN在311名患者的多中心队列中进行了验证，实现了最先进的诊断准确性和生存分层。与现有方法相比，该方法在诊断准确率方面取得了显著提升，并且能够有效预测患者的生存时间。实验结果表明，该方法能够有效利用特权知识，提高术前预后的准确性。

🎯 应用场景

该研究成果可应用于室管膜瘤的术前预后，帮助医生制定更合理的治疗计划。通过利用历史术后数据，可以提高新患者的诊断准确性，无需在推理时使用文本信息。该方法还可以推广到其他医学影像分析任务中，例如肿瘤分级、疾病诊断等，具有广泛的应用前景。

📄 摘要（原文）

Preoperative prognosis of Ependymoma is critical for treatment planning but challenging due to the lack of semantic insights in MRI compared to post-operative surgical reports. Existing multimodal methods fail to leverage this privileged text data when it is unavailable during inference. To bridge this gap, we propose HyperPriv-EPN, a hypergraph-based Learning Using Privileged Information (LUPI) framework. We introduce a Severed Graph Strategy, utilizing a shared encoder to process both a Teacher graph (enriched with privileged post-surgery information) and a Student graph (restricted to pre-operation data). Through dual-stream distillation, the Student learns to hallucinate semantic community structures from visual features alone. Validated on a multi-center cohort of 311 patients, HyperPriv-EPN achieves state-of-the-art diagnostic accuracy and survival stratification. This effectively transfers expert knowledge to the preoperative setting, unlocking the value of historical post-operative data to guide the diagnosis of new patients without requiring text at inference.