arXiv cs.AI· Yesung Cho, Dongmyung Shin, Sujeong Hong, Jooyeon Lee, Seongmin Park, Geongyu Lee, Won Young Park, Bongjin Park, Jongbae Park, Hong Koo Ha·· 13 小时前AI 评分31
高效多切片全切片图像分析框架预测前列腺癌生化复发
A Computationally Efficient Multi-Section Whole Slide Image Analysis for Capturing Prostate Cancer Multifocality in Biochemical Recurrence Prediction
AI 导读
研究提出一种计算高效的多切片全切片图像分析框架，基于789名患者的23,451张切片，通过优化切片与子采样显著降低训练和推理成本，在1年和2年生化复发预测上达到或超过现有临床基准。AI风险评分在多变量Cox分析中为独立预后因素，与临床变量结合可进一步提升预后表现，外部验证提供初步可迁移性证据。注意力分散分析显示模型从多个切片中提取预后信息，与前列腺癌多灶性特征一致。
正文 · AI 翻译
摘要：前列腺癌是全球男性中最常被诊断出的恶性肿瘤之一。然而，根治性前列腺切除术后生化复发（BCR）的精准预测仍具挑战性。在此，我们提出一个计算高效的多切片全切片图像分析框架，旨在捕捉整个腺体的肿瘤全景。我们构建了一个大规模数据集，包含来自 789 名患者的 23,451 张切片，并系统优化了图像块与切片的子采样，以大幅降低训练和推理的计算成本。在此高效配置下，该框架对 1 年和 2 年 BCR 取得了较强的预测性能，其区分度和临床净获益与既有临床基准相当或更优。在多变量 Cox 比例风险分析中，AI 衍生的风险评分在所考察的协变量中仍为独立预后因素，且其与临床变量的整合进一步提升了预后性能。在独立队列中的外部验证提供了可迁移性的初步证据。最后，注意力分散分析显示，该模型从多个切片中提取预后信息，这与前列腺癌的多灶性特征一致。总体而言，这些发现支持多切片图像分析作为一种可扩展方法，用于前列腺癌术后 BCR 风险评估的潜力。
| 主题： | 计算机视觉与模式识别 (cs.CV)；人工智能 (cs.AI) |
| 引用为： | arXiv:2603.20273 [cs.CV] |
| （或 arXiv:2603.20273v2 [cs.CV] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2603.20273 arXiv 颁发的 DOI 通过 DataCite |
提交历史
来自：Geongyu Lee [查看邮箱]
[v1]
2026年3月17日 星期二 07:58:02 UTC (1,328 KB)
[v2]
2026年10月27日 星期二 06:32:34 UTC (6,013 KB)
来源：arXiv cs.AI · arxiv.org