Foundation model 驱动的多模态模型：精准预测高级别浆液性卵巢癌预后的新利器

高级别浆液性卵巢癌（HGSOC）预后预测面临挑战。研究人员开发 Foundation model 驱动的多模态模型（FoMu 模型）评估 HGSOC 患者预后。结果显示该模型预测能力优越，有助于改善个体化治疗和临床决策。

在女性健康的 “战场” 上，卵巢癌一直是个棘手的 “敌人”，其中高级别浆液性卵巢癌（HGSOC）更是 “主力军”。每年，全球约有 20 万人因卵巢癌失去生命，HGSOC 占比颇高。尽管手术和治疗手段不断进步，但仍有超 50% 的患者难以治愈。

目前，HGSOC 的预后预测困难重重。临床常用的预后因素，如患者年龄、肿瘤分期等，无法全面反映肿瘤的异质性。MRI 和病理评估虽有帮助，但传统的形态学观察和手动测量主观性强、效率低。现有的多模态研究也存在不足，如依赖空间分辨率有限的 CT 数据，难以有效整合多模态数据等。

为了攻克这些难题，来自复旦大学附属金山医院、云南省第一人民医院、昆明医科大学第三附属医院、重庆医科大学附属第一医院等多家国内机构的研究人员携手开展研究。他们构建了一个通用的 Foundation model 驱动的多模态模型（FoMu 模型），结合临床、MRI 和病理数据，评估 HGSOC 患者的预后。研究成果发表在《npj Precision Oncology》杂志上。

在这项研究中，研究人员运用了多个关键技术方法。首先，进行回顾性队列研究，收集了四个中心 712 例符合条件患者的临床、MRI 和病理数据。其次，利用预训练的放射学和病理学 Foundation model 进行特征预编码，如 MedSAM 和 CONCH 模型。然后，构建基于注意力机制的单模态和跨模态自适应聚合网络，融合多模态特征，最后通过生存预测网络和损失函数进行预后预测。

研究人员在患者特征方面进行深入分析，将 712 例患者分为训练队列、内部验证队列和外部测试队列。通过 Cox 回归分析，确定了多聚 ADP - 核糖聚合酶抑制剂（PARPi）维持治疗、铂耐药和国际妇产科联盟（FIGO）分期等是总生存期（OS）和无进展生存期（PFS）的临床风险因素。

不同模型的 C 指数评估结果显示，单模态和跨模态的 FoMu 模型在内部验证队列和多个外部测试队列中，对 OS 和 PFS 的预测表现优异。在模态完整的外部测试队列 A 中，跨模态的 “FoMu_Clinic+MRI + WSI” 模型 C 指数最高；在缺少病理模态的外部测试队列 B 和 C 中，“FoMu_Clinic +MRI” 模型表现最佳，均优于预测水平融合（PLF）模型。

FoMu 模型的时间依赖性受试者工作特征曲线（ROC）分析表明，在不同队列中，该模型预测 OS 和 PFS 的曲线下面积（AUROC）范围较广，在内部验证队列、外部测试队列 A、B 和 C 中，均展现出强大的预测性能。

研究结果表明，FoMu 模型在预后预测方面表现卓越，相比单模态和其他跨模态模型以及多模态 PLF 模型，具有更高的准确性和稳定性。在存在模态数据缺失的情况下，仍能保持良好的预测能力，为临床医生提供了更可靠的预后评估工具，有助于实现患者的个体化治疗，改善临床决策。

然而，该研究也存在一些局限性。研究为回顾性研究，未纳入遗传数据；模型在部分任务中仍需人工输入，如 MRI 图像的病变分割；随访时间可能不足以评估长期结果。未来的研究可针对这些问题进一步探索，整合更多模态数据，优化模型的自动化程度，延长随访时间，以提高对 HGSOC 患者预后评估的准确性和全面性。

总体而言，这项研究为 HGSOC 患者的预后评估开辟了新的道路，为精准肿瘤学的发展提供了重要支持，有望在未来的临床实践中发挥更大的作用，为更多患者带来希望。