این مقاله یک روش مبتنی بر یادگیری عمیق و شبکه‌های عصبی گراف (GNN) برای طبقه‌بندی هم‌زمان چندین ویژگی مهم سرطان پستان ارائه کرده است. پژوهشگران با استفاده از داده‌های عمومی Duke Breast Cancer MRI Dataset شامل ۹۲۲ بیمار مبتلا به سرطان پستان، تصاویر MRI چندپارامتری را همراه با اطلاعات بالینی و ویژگی‌های رادیومیکس تحلیل کردند. در روش پیشنهادی، تصاویر MRI به ساختارهای گراف سه‌بعدی تبدیل شده و از معماری Graph Isomorphism Network (GIN) برای یادگیری روابط بین ویژگی‌های تصویری و بالینی استفاده شد. مدل به‌طور هم‌زمان وضعیت HER2، مراحل TNM شامل اندازه تومور، درگیری غدد لنفاوی و متاستاز، و شاخص‌های درجه‌بندی بافت‌شناسی را پیش‌بینی کرد. نتایج نشان داد که مدل در پیش‌بینی برخی شاخص‌ها، از جمله HER2 و درجه تشکیل توبول، دقت بالایی داشته و این رویکرد می‌تواند به توسعه سامانه‌های هوشمند برای تشخیص دقیق‌تر و شخصی‌سازی‌شده سرطان پستان کمک کند.