基于弱监督深度学习的跨癌种预后预测统一模型PROPATH：整合组织病理学图像与临床变量的创新研究

时间：2025年9月4日

来源：Signal Transduction and Targeted Therapy

编辑推荐：

本研究针对传统癌症预后系统（如TNM分期）的局限性，开发了名为PROPATH的跨癌种预后预测统一模型。该研究通过整合常规组织病理学图像（WSIs）与临床变量（年龄、性别、肿瘤分期），采用弱监督深度学习架构，在15种癌症类型、6670例患者的训练队列中验证后，进一步在17个外部队列（4441例患者）中证实其优越性。结果显示，PROPATH的C-index达0.731，显著优于现有模型（MCAT/MOTCAT/SurvPath），并能有效分层治疗组（放疗/药物治疗）和生物标志物亚组（如TP53/MSI状态）。该模型首次实现基于常规病理切片的多癌种普适性预后预测，为临床决策提供可及性强的AI工具。

癌症预后评估长期依赖TNM分期系统，但其难以捕捉肿瘤异质性。尽管分子标志物（如MSI、HER2）能提升预测精度，其高昂成本与疾病特异性限制了临床应用。组织病理学作为诊断金标准，蕴含丰富的形态学信息，但传统人工分析难以量化这些特征。近年来，计算病理学通过AI解析全切片图像（WSIs）展现出潜力，但现有模型多为单癌种设计、依赖分子数据且缺乏外部验证。

为突破这些瓶颈，跨国团队开发了PROPATH模型。研究利用TCGA队列（15癌种/6670例患者）的7999张WSIs，结合年龄、性别、分期等常规临床变量，构建弱监督深度学习框架。关键技术包括：1）基于Virchow²基础模型的图像特征提取；2）注意力引导的多实例学习（AMIL）聚合关键区域；3）跨模态注意力Transformer融合病理与临床特征；4）癌症感知路由机制动态选择分类器。外部验证涵盖PLCO、CPTAC等17个队列（7374张WSIs），横跨三大洲8个机构。

模型架构优势

PROPATH通过分层设计解决WSIs超高分辨率难题：先分割图像为224×224像素区块，经Virchow²编码为2560维特征向量，再通过AMIL生成幻灯片级表征。

跨模态注意力机制显式建模病理-临床特征关联，而路由模块通过混合专家（MoE）策略实现癌种自适应预测。

性能验证

在TCGA测试集中，PROPATH的C-index（0.731）较纯病理模型（PROPATH-H）和纯临床模型（PROPATH-C）分别提升5.3%和7.0%。外部验证中，PLCO队列C-index达0.727，且风险分层在9/17队列中呈现显著差异（log-rank p<0.05）。与MCAT等模型相比，PROPATH在10/17外部队列中显著领先（p<0.05），尤其在CPTAC队列相对提升达15.9%。