ClinRAG-GRAPH: Clinical-prior Retrieval-Augmented Graph Model with Domain Adversarial Learning for Breast pCR Prediction

📄 arXiv: 2607.00798v1 📥 PDF

作者: Yaofei Duan, Yuhao Huang, Tianyu Zhang, Yuan Gao, Luyi Han, Xin Wang, Xinyu Xie, Xinglong Liang, Chunyao Lu, Muzhen He, Patrick Pang, Yue Sun, Ning Mao, Tao Tan, Ritse Mann

分类: cs.CV

发布日期: 2026-07-01

备注: 11 pages, 5 figures

🔗 代码/项目: GITHUB

💡 一句话要点

提出ClinRAG-GRAPH以解决乳腺癌pCR预测中的多模态建模挑战

🎯 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: 乳腺癌 病理完全反应 新辅助化疗 多模态学习 领域对抗学习 图卷积网络 临床决策支持

📋 核心要点

  1. 现有方法在乳腺癌pCR预测中面临多模态建模不足和影像异质性等挑战，影响预测准确性。
  2. ClinRAG-GRAPH通过构建临床优先图和关系感知图卷积网络，结合领域对抗学习，提升了多模态数据的表示能力。
  3. 实验结果显示，ClinRAG-GRAPH在多个测试集上均表现出色，AUC值达到0.815，验证了其在pCR预测中的有效性。

📝 摘要（中文）

新辅助化疗（NAC）反应预测对于乳腺癌的治疗分层至关重要。然而，由于跨模态建模不足、多中心影像异质性和解释性不足，预治疗病理完全反应（pCR）预测仍然具有挑战性。本文提出ClinRAG-GRAPH，一个临床信息驱动的检索增强生成图框架，用于从DCE-MRI、结构化临床变量和活检衍生的病理生物标志物中进行pCR预测。ClinRAG-GRAPH构建了一个患者内临床优先图，并应用优先指导的关系感知图卷积网络进行结构化多模态表示学习。为了提高跨中心的鲁棒性，我们引入了双分支领域对抗学习策略，以抑制与协议相关的MRI偏差，同时保留与pCR相关的特征。实验结果表明，ClinRAG-GRAPH在内部测试集上获得了0.815的AUC，在两个外部测试集上分别为0.774和0.712，展示了跨中心的鲁棒性。

🔬 方法详解

问题定义：本文旨在解决乳腺癌患者在接受新辅助化疗后的病理完全反应（pCR）预测问题。现有方法面临跨模态建模不足和多中心影像异质性等痛点，导致预测结果不够可靠。

核心思路：ClinRAG-GRAPH的核心思路是构建一个临床优先图，并利用关系感知图卷积网络进行多模态表示学习，同时引入领域对抗学习以增强模型的鲁棒性。通过这种设计，模型能够更好地处理不同中心的影像数据差异。

技术框架：该框架包括三个主要模块：1) 临床优先图构建，2) 关系感知图卷积网络，3) 领域对抗学习策略。整体流程是先从多模态数据中提取特征，然后通过图卷积网络进行学习，最后应用对抗学习来减少不同中心间的偏差。

关键创新：ClinRAG-GRAPH的关键创新在于结合了临床优先图和领域对抗学习，这在现有的pCR预测方法中尚属首次。此方法不仅提高了模型的解释性，还增强了预测的准确性和鲁棒性。

关键设计：在模型设计中，采用了双分支结构进行领域对抗学习，损失函数结合了对抗损失和预测损失，以确保模型在不同数据集上的一致性和准确性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

ClinRAG-GRAPH在内部测试集上获得了0.815的AUC，在两个外部测试集上分别为0.774和0.712，显示出其在不同中心间的鲁棒性和准确性，显著优于传统方法，验证了其在临床应用中的潜力。

🎯 应用场景

该研究的潜在应用领域包括乳腺癌的个性化治疗方案制定和临床决策支持。通过提高pCR预测的准确性，ClinRAG-GRAPH能够帮助医生更好地评估患者对新辅助化疗的反应，从而优化治疗策略，提升患者的生存率和生活质量。未来，该方法有望推广到其他类型癌症的治疗反应预测中。

📄 摘要（原文）

Neoadjuvant chemotherapy (NAC) response prediction is clinically important for treatment stratification in breast cancer. However, robust pre-treatment pathological complete response (pCR) prediction remains challenging due to insufficient cross-modal modeling, multicenter imaging heterogeneity, and weak evidence-grounded interpretability. We propose ClinRAG-GRAPH, a Clinically informed Retrieval-Augmented Generation Graph framework, for pre-treatment pCR prediction from DCE-MRI, structured clinical variables, and biopsy-derived pathological biomarkers. ClinRAG-GRAPH constructs an intra-patient clinical-prior graph and applies a prior-guided relation-aware graph convolutional network for structured multimodal representation learning. To improve cross-center robustness, we introduce a dual-branch domain-adversarial learning strategy to suppress protocol-related MRI bias while preserving pCR-relevant features. To enhance interpretability, we further incorporate large language model (LLM)-driven subgraph RAG module that retrieves clinically analogous historical cases and integrates retrieved evidence for pCR inference. We assemble a large-scale multicenter NAC breast cancer cohort for extensive validation, drawing from two public sources and three in-house centers.Results show that ClinRAG-GRAPH achieves AUCs of 0.815 on the internal test set and 0.774/0.712 on two external test sets, demonstrating robust pre-treatment pCR prediction across centers. The code is available at the anonymized https://github.com/miccai26-1181/ClinRAG-GRAPH.