Oncotarget发表了一篇新社论，题为“超越像素：图形过滤学习揭示肝细胞癌成像的新维度”。

由于传统的基于像素的方法已经达到极限，图过滤学习 (GFL) 提供了一种捕捉医学图像中复杂拓扑特征的新方法。通过将图像数据表示为图形并利用持久同源性，GFL 揭示了以前无法访问的新信息维度。

在这篇社论中，明尼苏达州罗切斯特市梅奥诊所放射科的研究员 Yashbir Singh 探讨了 GFL 在革新肝细胞癌 (HCC) 成像分析中发挥的新兴作用。

在医学成像领域，对肝细胞癌的理解长期以来一直受到基于像素的分析的局限性的制约。虽然传统方法很有价值，但它们往往难以捕捉这种侵袭性肝癌特有的肿瘤异质性、血管模式和组织结构的全部复杂性。