黄金艳课题组开发融合全景病理图像与转录组数据的可解释生存预测模型

肿瘤患者的生存预测是精准医学中的核心问题之一。随着高通量测序和数字病理技术的发展，研究者可以同时获取患者的转录组数据与全景病理切片图像（ Whole Slide Images, WSI ）。这两类数据分别从分子层面和组织形态层面刻画肿瘤特征，具有高度互补性 。

然而，在实际应用中，多模态生存预测仍面临显著挑战。一方面，转录组数据高度稀疏、维度极高，且基因间存在复杂的非线性相互作用；另一方面， WSI 通常被切分为成千上万个 patch ，如何从中提取与预后相关的关键信息并进行有效聚合仍是难题。更重要的是，分子模态与组织模态之间存在显著异质性，简单拼接或单向融合难以充分建模两者之间的交互关系 。

因此，构建一种既能充分利用多模态信息、又具备良好可解释性的生存预测模型，是当前计算病理与精准肿瘤学研究的重要方向 。

为应对多模态生存预测中的异质性与可解释性挑战，黄金艳课题组从分子建模、病理表征和跨模态融合三个层面进行了系统设计，提出了一种新的多模态生存预测框架——DABSP（ Dual-directional Attention-based Survival Prediction ） ，用于实现全景病理图像与转录组数据的高效、稳定且可解释融合。 该研究以DABSP: Integrating histologic and transcriptomic data for pan-cancer survival outcome prediction through a dual-directional attention based multimodal data fusion framework为题，发表在Biomedical Signal Processing and Control杂志。

在转录组建模方面， DABSP 采用了一种新的通路级 tokenizer —— SnChebyKAN 。该模块将 自归一化神经网络（ Self-Normalizing Networks, SNN ） 与 基于切比雪夫多项式的 Kolmogorov–Arnold 网络（ ChebyKAN ） 相结合，形成三层结构： SNN 保证模型在高维稀疏转录组数据上的训练稳定性； ChebyKAN 能够捕获通路之间的高阶非线性关系；以通路为单位进行建模，有助于增强生物学可解释性。该设计不仅提升了模型对复杂分子相互作用的刻画能力，也为后续跨模态交互提供了结构化表示。在病理图像模态中， DABSP 使用大规模自监督学习的基础模型，从 WSI 中提取鲁棒的 patch 级特征。这种方式避免了对人工标注的强依赖，同时能够捕捉组织形态中的关键模式，为生存预测提供稳定的视觉表示。多模态融合是 DABSP 的核心创新之一。模型引入了 LoRA 增强的双向注意力机制 ，显式建模：分子通路对病理 patch 的关注；病理 patch 对分子通路的重要性反馈。这种 双向交互机制 能够更真实地反映分子与组织形态之间的相互影响。此外， DABSP 还设计了门控残差特征融合模块，在强化跨模态信息交流的同时，保留各模态的特异性语义，降低冗余干扰。

在五个公开癌症生存数据集上的实验结果表明， DABSP 在 concordance index （ C-index ） 和患者风险分层能力上均优于现有主流方法。更重要的是，模型提供了多层级可解释性分析，能够识别：与预后密切相关的分子通路；关键的组织学形态模式；以及二者之间的重要跨模态交互关系。这些结果不仅提升了模型的可信度，也为肿瘤生物学研究提供了新的线索。

DABSP 提出了一种面向多模态生存预测的统一建模框架，在性能、稳定性与可解释性之间取得了良好平衡。通过通路级分子建模、双向注意力融合以及残差引导机制，该方法充分挖掘了病理图像与转录组数据的互补信息。该研究为多模态计算病理提供了一种具有推广价值的技术范式，也为精准肿瘤学中的生存预测和机制探索提供了新的工具。

相关代码已开源：https://github.com/elegantlyy/DABSP

原文链接：https://www.sciencedirect.com/science/article/pii/S1746809426000819?dgcid=author

制版人：十一

BioArt

Med

Plants

人才招聘

学术合作组织

（*排名不分先后）

转载须知

【非原创文章】本文著作权归文章作者所有，欢迎个人转发分享，未经作者的允许禁止转载，作者拥有所有法定权利，违者必究。