Abstract DNA methylation data-based precision tumor early diagnostics is emerging as state of the art technology, which could capture the signals of cancer occurrence 3∼5 years in advance and clinically more homogenous groups. At present, the sensitivity of early detection for many tumors is about 30%, which needs to be significantly improved. Nevertheless, based on the genome wide DNA methylation information, one could comprehensively characterize the entire molecular genetic landscape of the tumors and subtle differences among various tumors. With the accumulation of DNA methylation data, we need to develop high-performance methods that can model and consider more unbiased information. According to the above analysis, we have designed a self-attention graph convolutional network to automatically learn key methylation sites in a data-driven way for precision multi-tumor early diagnostics. Based on the selected methylation sites, we further trained a multi-class classification support vector machine. Large amount experiments have been conducted to investigate the performance of the computational pipeline. Experimental results demonstrated the effectiveness of the selected key methylation sites which are highly relevant for blood diagnosis.