arXiv cs.AI· Hikmat Khan, Metin N. Gurcan, Anil Parwani, Wendy L. Frankel, Wei Chen, Muhammad Khalid Khan Niazi·· 3 天前AI 评分24
MorphContrast：形态感知深度学习从全切片图像预测结直肠癌生存
Morphology-aware deep learning predicts colorectal cancer survival from whole-slide images
AI 导读
研究提出 MorphContrast，一种形态感知对比多实例学习框架，以组织标签作为结构监督预测结直肠癌五年生存。在 Alliance/CALGB 89803 上单模型 AUC 为 0.642，事后集成达 0.70，风险组 hazard ratio 为 3.79；外部 SurGen 结肠癌队列（n=218）单模型与集成 AUC 分别为 0.669 和 0.678。
正文 · AI 翻译
摘要：背景：基于苏木精-伊红全切片图像的五年生存预测可支持风险分层，但该任务为弱监督，且携带预后信息的组织形态学特征仍未得到充分表征。
方法：我们进行了一项回顾性二次分析，使用 TCGA-COAD/READ（n=562）进行形态学特异性分析，使用 Alliance/CALGB 89803（n=424）进行模型开发，并使用 SurGen（n=218）进行外部评估。我们提出 MorphContrast，一种形态学感知的对比多实例学习框架，利用组织标签作为结构监督进行五年生存预测。MorphContrast 将门控注意力池化与三个辅助目标相结合：切片级形态学标签定义患者内对比，结局一致或不一致定义匹配形态学内的跨患者对比，多样性正则化防止表征坍缩。来自结局不一致患者的形态学匹配切片作为难负样本，鼓励在可比的组织学背景下进行预后判别。
结果：形态学特异性模型显示出微弱但分布式的预后判别能力：脂肪组织的受试者工作特征曲线下面积（AUC）为 0.622，间质为 0.604，两者均与肿瘤上皮（0.601-0.605）表现相当。在 Alliance/CALGB 89803 上，单一模型达到 AUC 0.642，而事后集成达到合并的折外 AUC 0.70 和风险组风险比 3.79（95% 置信区间：2.55-5.63）。在外部 SurGen 结肠癌队列（n=218）上，单一模型和集成分别达到 AUC 0.669 和 0.678。
结论：这些发现支持将组织形态学作为结构监督，用于结直肠癌预后中结局感知的表征学习。
| 评论： | 包含补充材料：一张图和两张表 |
| 学科： | 计算机视觉与模式识别（cs.CV）；人工智能（cs.AI）；机器学习（cs.LG） |
| 引用为： | arXiv:2610.17603 [cs.CV] |
| （或 arXiv:2610.17603v1 [cs.CV] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.17603 arXiv 颁发的 DOI 通过 DataCite（待注册） |
提交历史
来自：Hikmat Khan Ph.D [查看电子邮件]
[v1]
2026年10月13日星期二 02:22:42 UTC（4,643 KB）
来源：arXiv cs.AI · arxiv.org