一种新的图节点分类基准：从组织病理学细胞图中学习结构

我们提出一个全新的基准数据集——Placenta，用于一个尚未充分探索的领域：基于胎盘组织全切片图像中的细胞图（cell graphs）进行节点分类，以预测微细解剖组织结构。这一问题对图学习方法构成了独特挑战，主要原因有以下几点：细胞图规模庞大（每幅图像包含超过一百万个节点），节点特征多样（包含11种细胞类型的64维特征），类别标签严重不平衡（共9个类别，占比从数据集的0.21%至40.0%不等），且细胞群体聚集成异质分布的组织区域，其规模差异极大（单个结构的节点数从11个到44,671个不等）。在此，我们发布了一个包含两幅胎盘组织切片图像的细胞图数据集，总计包含2,395,747个节点，其中799,745个节点附有真实标签（ground truth）。我们针对7种可扩展模型提供了归纳式（inductive）基准测试结果，并展示了细胞图的独特性质如何推动新型图神经网络架构的发展。