跳到主要内容
返回时间线
researchsquare.com来源发表:

病理图像与基因组通路不再全对全融合:动态稀疏图加Mamba,五队列平均C-index从0.609升到0.638

核心概要

全切片病理图像与基因组通路的多模态生存预测,此前多依赖稠密或固定规则的跨模态融合,容易引入冗余交互,也难以刻画每位患者特有的病理—分子关联。新方法让通路令牌作为查询,为每条通路只保留注意力分数最高的Top-k个切片图像块,构成患者专属的稀疏二部图,再用图注意力精化这些边,最后由Mamba状态空间模块聚合整条多模态令牌序列。在五个TCGA队列的患者级五折交叉验证中,平均C-index由SurvPath的0.609升至0.638,绝对提升0.029;但配对t检验仅在BLCA达到显著(p=0.009),其余队列均值虽为正却未达显著。

Source-provided article image: Dynamic Graph and Multi-Stage Mamba Fusion for Multimodal Survival Prediction
Fig. 1 · researchsquare.com · 第 5 页

深度剖析

多模态生存预测的跨模态融合从稠密全对全或固定规则建边,改为按患者样本自适应地只保留少量病理—通路连接。 此前的Transformer式融合(如SurvPath)对通路与组织学做稠密交互,图方法则常用k近邻或欧氏距离等预定义规则建边,难以表达患者特异的跨模态关系。 在五个TCGA队列(BRCA、BLCA、HNSC、LUAD、STAD)上采用患者级五折交叉验证与相同划分文件,平均C-index由SurvPath的0.609升至0.638,绝对提升0.029;配对t检验只在BLCA显著(p=0.009),HNSC中TransMIL(KP)以0.573略高于该方法的0.572。

实现上分三步:先各自编码两种模态,再让通路令牌查询切片令牌建稀疏图并精化,最后用Mamba聚合。 通路令牌作查询、切片令牌作键和值,按注意力分数为每条通路只保留Top-k个切片块(主设置k=8),形成患者专属二部图,再由图注意力更新被选中的通路表示。 Mamba的选择性状态空间以随输入变化的参数沿长序列传播信息,替代稠密成对自注意力;在相同剖析设置下,峰值GPU显存为441 MB,低于Transformer替换版的630 MB,训练每轮22.1分钟、单患者推理15.6毫秒。

启示与展望

结论建立在五个TCGA队列(BRCA、BLCA、HNSC、LUAD、STAD)的患者级五折交叉验证之上,终点为疾病特异性生存,切片特征取自UNI、基因组按Hallmark通路分组。所有比较均在同一批匹配患者、相同划分文件与相同输入下完成,基线为重新实现或适配后在本队列上评测,而非直接引用原文数值。外部验证、重复随机种子评估与病理学家指导的解释在临床应用前仍然必要。

除BLCA外其余队列的均值差异虽为正但未达统计显著,每队列仅五折使统计功效有限;折间标准差在0.061至0.092之间,LUAD波动最大。全部实验基于TCGA,患者级交叉验证不能确立对机构、扫描仪、染色、预处理或分子批次差异的稳健性;主结果使用随机种子1和预定义搜索选出的超参数,未做重复种子评估。通路—切片可视化未经病理或生物学验证,只能视为模型给出的假设;主性能表也未纳入专门的近期图方法WSI生存基线。