卵巢癌患者即使完成R0切除预后仍然高度异质。传统FIGO分期、血清标志物和病理分级能提供基础判断但很难解释同一分期患者为何出现明显不同的生存结局。这篇文章的核心是把病理全切片图像、术前超声和临床指标放进一个多模态深度学习框架用于R0切除卵巢癌患者的术后生存预测和风险分层。先看结论OvcaSurvivor不是简单拼接多模态特征而是通过 WSI-US cross-attention 和 临床语义引导的gated fusion把细胞级病理形态、宏观超声结构和临床风险因素整合成连续风险评分。文献信息项目内容标题Survival prediction and risk stratification in R0-resected ovarian cancer: a multi-modal deep learning approach中文理解本文面向R0切除卵巢癌患者术后预后异质性问题构建融合病理全切片图像、超声图像和临床数据的多模态深度学习模型OvcaSurvivor在内部和外部验证队列中实现较稳定的生存预测并通过风险评分、Cox分析和可解释性热图支持个体化风险分层。期刊NPJ Precis. Oncol.发表时间2026-01-10研究方向卵巢癌、R0切除、预后预测、数字病理、超声AI、多模态深度学习核心资源/队列三中心R0切除卵巢癌队列病理WSI、超声图像和临床指标样本量/数据规模543例患者训练261例、内部验证66例、外部验证1为157例、外部验证2为59例核心模型OvcaSurvivorCHIEF提取WSI特征ResNet50提取US特征cross-attention gated multimodal fusionDOI10.1038/s41698-025-01263-3PMID / PMCIDPMID: 41520012PMCID: PMC12886920数据/代码数据因患者隐私未公开代码见GitHub这篇文章解决了什么问题R0切除是卵巢癌手术治疗的重要目标但“切干净”并不意味着风险一致。部分患者仍会快速进展或死亡说明仅靠手术状态和传统分期无法完全捕捉肿瘤生物学差异。病理WSI能看到细胞核异型性、肿瘤-间质界面和微观结构超声能反映肿瘤宏观形态、实性成分、边界和血流临床指标则提供FIGO分期、CA125、HE4、Ki67、ROMA等背景信息。OvcaSurvivor的价值在于把“显微病理 宏观影像 临床变量”整合成一个可输出连续风险评分的预后模型。文章摘要作者提出 OvcaSurvivor用于R0切除卵巢癌患者的术后生存预测。研究纳入 543例患者包含病理全切片图像、超声图像和临床数据。模型使用CHIEF提取WSI中的细胞级形态特征使用ResNet50提取超声结构特征并通过cross-attention对齐WSI和US信息再利用gated fusion动态整合临床变量。OvcaSurvivor在内部验证、外部验证1和外部验证2中的C-index分别为 0.81、0.76和0.70优于单模态模型。模型还能基于中位风险评分将患者分为高低风险组KM曲线显示两组生存显著分离多因素Cox分析提示风险评分是独立预后因素HR为 6.01。整体来看这篇文章提供了一个术后卵巢癌多模态预后建模模板。方法设计亮点病理与超声跨模态对齐用cross-attention让超声中的宏观可疑结构与WSI中的细胞级病理区域建立对应关系。临床变量不是简单拼接gated unit根据疾病阶段和模态信息动态调节临床与影像特征权重。输出可用于临床分层模型输出连续风险评分可进一步做KM曲线、Cox回归和1/3/5年生存预测。多中心外部验证训练、内部验证和两个外部验证队列来自不同中心增强了模型泛化评估。材料与方法模块内容研究对象R0切除卵巢癌患者来自三个参与中心时间范围2012年7月至2025年3月按中心和时间划分训练及验证队列样本量总计543例训练261例内部验证66例外部验证1为157例外部验证2为59例临床数据年龄、FIGO分期、淋巴结转移、绝经状态、CA125、HE4、Ki67、ROMA等超声图像统一resize至512 × 512RGB三通道归一化并进行翻转、旋转、亮度和位移增强病理WSIHE染色WSI20×扫描10×下切分为256 × 256非重叠patch模型结构CHIEF提取WSI特征ResNet50提取US特征cross-attention局部融合gated unit全局融合临床与影像特征预测终点总体生存OS随访截至2025-03-25评价指标C-index、time-dependent AUC、DCA、KM曲线、log-rank检验、多因素Cox回归、消融实验研究结果多模态模型在1、3、5年生存预测中优于单模态方案OvcaSurvivor在内部验证队列中的C-index为0.81外部验证1为0.76外部验证2为0.70整体优于单独使用超声或WSI的模型。time-dependent ROC显示OvcaSurvivor在1年、3年和5年生存预测上总体优于单模态模型。DCA也提示多模态模型在多个阈值范围内具有更高净获益说明其潜在价值不只是AUC提升而是可能帮助术后随访和治疗强度分层。WSI贡献最高但模型会随FIGO阶段动态调整模态权重作者用雷达图和权重分布分析不同模态贡献。整体上WSI特征贡献最高其次是超声特征和临床数据。更有意思的是模型权重随FIGO阶段变化早期I-II期更依赖临床指标晚期III-IV期则提高影像模态权重用于捕捉更复杂的肿瘤异质性。cross-attention矩阵还显示肿瘤相关区域具有更高注意力权重。这说明多模态融合不是“把所有特征平均混合”而是根据疾病阶段动态调节不同证据来源。中位风险评分可以将患者分成高低风险组作者以OvcaSurvivor输出的中位风险评分0.62作为阈值将患者划分为高风险组和低风险组并绘制KM曲线。结果显示在各验证队列中高低风险组生存曲线均能分离双侧log-rank检验提示差异具有统计学意义。相比单模态模型OvcaSurvivor在外部队列中的曲线分离更明显提示其风险评分具备更好的预后分层能力。多因素Cox分析提示模型风险评分是独立预后因素为了确认模型评分不是简单重复传统临床变量作者进行了多因素Cox回归分析。结果显示OvcaSurvivor风险评分是独立风险因素HR为 6.0195% CI为3.57-10.10。作者还验证了Cox比例风险假设Schoenfeld残差检验P0.641提示未发现明显违反比例风险假设。亚组分析显示模型在多数临床亚组中保持分层能力作者按年龄、绝经状态和FIGO分期进行亚组分析并在不同亚组内计算C-index和KM曲线。整体上OvcaSurvivor风险评分在多数亚组中仍能区分高低风险患者说明模型并不只在总体队列中有效。不过不同亚组样本量和死亡事件数不均衡亚组结果更适合作为稳定性提示而不是替代独立前瞻性验证。OvcaSurvivor通过两阶段融合连接微观病理和宏观超声模型结构上OvcaSurvivor先分别提取WSI、US和临床特征再进行局部和全局两级融合。局部融合阶段US特征作为QueryWSI特征作为Key-Value通过cross-attention捕捉宏观影像异常与微观病理结构之间的对应关系。全局融合阶段gated unit根据临床语义和影像信息自适应分配权重最终输出连续风险评分。这个设计的临床含义是模型既看肿瘤“长什么样”也看组织细胞“恶性程度如何”还把患者临床背景纳入风险判断。从这篇文章能迁移什么方法借鉴这篇文章最值得参考的是多模态融合层的设计。很多医学AI文章只是把影像、临床变量和组学特征拼接起来而OvcaSurvivor强调先做WSI-US局部对齐再用门控机制进行全局融合。迁移路线术前影像 术后病理WSI 临床指标 → 单模态特征提取 → cross-attention跨模态对齐 → gated fusion动态加权 → 连续风险评分 → KM/Cox/DCA验证。这个路线可以迁移到子宫内膜癌、宫颈癌、乳腺癌、胃肠道肿瘤和肝胆胰肿瘤的术后预后研究。临床落点对于R0切除卵巢癌真正需要的是术后随访强度、辅助治疗策略和复发风险监测的个体化分层。OvcaSurvivor这类模型可以作为术后风险分层工具而不是单纯替代FIGO分期。注意边界数据未公开样本量仍有限且外部验证2的C-index下降到0.70。模型具备转化潜力但进入临床前仍需要更大规模、多地区、前瞻性验证和标准化WSI/US采集流程。总结这篇文章提供了一个卵巢癌术后预后建模的多模态模板WSI提供微观形态超声提供宏观结构临床指标提供基础风险背景而attention-guided gated fusion负责把这些证据整合成可用于分层的风险评分。OvcaSurvivor的结果说明在R0切除患者中预后差异并不能完全由传统分期解释。融合病理、影像和临床数据有机会更早识别高风险患者为术后随访和治疗策略提供更细的分层依据。这篇文章的重点不是“多加几个模态”而是让病理WSI、超声和临床指标在模型内部形成可对齐、可加权、可用于生存分层的证据链。参考文献Zhang Y, Duan Y, Tang M, Xu Y, et al. Survival prediction and risk stratification in R0-resected ovarian cancer: a multi-modal deep learning approach.NPJ Precis. Oncol.2026;10:60.PMC: https://pmc.ncbi.nlm.nih.gov/articles/PMC12886920/DOI: https://doi.org/10.1038/s41698-025-01263-3PubMed: https://pubmed.ncbi.nlm.nih.gov/41520012/Journal: https://www.nature.com/articles/s41698-025-01263-3Code: https://github.com/Duanyy1994/Multimodal-deep-learning-framework-for-OC-survival-prediction-through-attention-guided-gated-fusion
卵巢癌患者即使完成R0切除预后仍然高度异质。传统FIGO分期、血清标志物和病理分级能提供基础判断但很难解释同一分期患者为何出现明显不同的生存结局。这篇文章的核心是把病理全切片图像、术前超声和临床指标放进一个多模态深度学习框架用于R0切除卵巢癌患者的术后生存预测和风险分层。先看结论OvcaSurvivor不是简单拼接多模态特征而是通过 WSI-US cross-attention 和 临床语义引导的gated fusion把细胞级病理形态、宏观超声结构和临床风险因素整合成连续风险评分。文献信息项目内容标题Survival prediction and risk stratification in R0-resected ovarian cancer: a multi-modal deep learning approach中文理解本文面向R0切除卵巢癌患者术后预后异质性问题构建融合病理全切片图像、超声图像和临床数据的多模态深度学习模型OvcaSurvivor在内部和外部验证队列中实现较稳定的生存预测并通过风险评分、Cox分析和可解释性热图支持个体化风险分层。期刊NPJ Precis. Oncol.发表时间2026-01-10研究方向卵巢癌、R0切除、预后预测、数字病理、超声AI、多模态深度学习核心资源/队列三中心R0切除卵巢癌队列病理WSI、超声图像和临床指标样本量/数据规模543例患者训练261例、内部验证66例、外部验证1为157例、外部验证2为59例核心模型OvcaSurvivorCHIEF提取WSI特征ResNet50提取US特征cross-attention gated multimodal fusionDOI10.1038/s41698-025-01263-3PMID / PMCIDPMID: 41520012PMCID: PMC12886920数据/代码数据因患者隐私未公开代码见GitHub这篇文章解决了什么问题R0切除是卵巢癌手术治疗的重要目标但“切干净”并不意味着风险一致。部分患者仍会快速进展或死亡说明仅靠手术状态和传统分期无法完全捕捉肿瘤生物学差异。病理WSI能看到细胞核异型性、肿瘤-间质界面和微观结构超声能反映肿瘤宏观形态、实性成分、边界和血流临床指标则提供FIGO分期、CA125、HE4、Ki67、ROMA等背景信息。OvcaSurvivor的价值在于把“显微病理 宏观影像 临床变量”整合成一个可输出连续风险评分的预后模型。文章摘要作者提出 OvcaSurvivor用于R0切除卵巢癌患者的术后生存预测。研究纳入 543例患者包含病理全切片图像、超声图像和临床数据。模型使用CHIEF提取WSI中的细胞级形态特征使用ResNet50提取超声结构特征并通过cross-attention对齐WSI和US信息再利用gated fusion动态整合临床变量。OvcaSurvivor在内部验证、外部验证1和外部验证2中的C-index分别为 0.81、0.76和0.70优于单模态模型。模型还能基于中位风险评分将患者分为高低风险组KM曲线显示两组生存显著分离多因素Cox分析提示风险评分是独立预后因素HR为 6.01。整体来看这篇文章提供了一个术后卵巢癌多模态预后建模模板。方法设计亮点病理与超声跨模态对齐用cross-attention让超声中的宏观可疑结构与WSI中的细胞级病理区域建立对应关系。临床变量不是简单拼接gated unit根据疾病阶段和模态信息动态调节临床与影像特征权重。输出可用于临床分层模型输出连续风险评分可进一步做KM曲线、Cox回归和1/3/5年生存预测。多中心外部验证训练、内部验证和两个外部验证队列来自不同中心增强了模型泛化评估。材料与方法模块内容研究对象R0切除卵巢癌患者来自三个参与中心时间范围2012年7月至2025年3月按中心和时间划分训练及验证队列样本量总计543例训练261例内部验证66例外部验证1为157例外部验证2为59例临床数据年龄、FIGO分期、淋巴结转移、绝经状态、CA125、HE4、Ki67、ROMA等超声图像统一resize至512 × 512RGB三通道归一化并进行翻转、旋转、亮度和位移增强病理WSIHE染色WSI20×扫描10×下切分为256 × 256非重叠patch模型结构CHIEF提取WSI特征ResNet50提取US特征cross-attention局部融合gated unit全局融合临床与影像特征预测终点总体生存OS随访截至2025-03-25评价指标C-index、time-dependent AUC、DCA、KM曲线、log-rank检验、多因素Cox回归、消融实验研究结果多模态模型在1、3、5年生存预测中优于单模态方案OvcaSurvivor在内部验证队列中的C-index为0.81外部验证1为0.76外部验证2为0.70整体优于单独使用超声或WSI的模型。time-dependent ROC显示OvcaSurvivor在1年、3年和5年生存预测上总体优于单模态模型。DCA也提示多模态模型在多个阈值范围内具有更高净获益说明其潜在价值不只是AUC提升而是可能帮助术后随访和治疗强度分层。WSI贡献最高但模型会随FIGO阶段动态调整模态权重作者用雷达图和权重分布分析不同模态贡献。整体上WSI特征贡献最高其次是超声特征和临床数据。更有意思的是模型权重随FIGO阶段变化早期I-II期更依赖临床指标晚期III-IV期则提高影像模态权重用于捕捉更复杂的肿瘤异质性。cross-attention矩阵还显示肿瘤相关区域具有更高注意力权重。这说明多模态融合不是“把所有特征平均混合”而是根据疾病阶段动态调节不同证据来源。中位风险评分可以将患者分成高低风险组作者以OvcaSurvivor输出的中位风险评分0.62作为阈值将患者划分为高风险组和低风险组并绘制KM曲线。结果显示在各验证队列中高低风险组生存曲线均能分离双侧log-rank检验提示差异具有统计学意义。相比单模态模型OvcaSurvivor在外部队列中的曲线分离更明显提示其风险评分具备更好的预后分层能力。多因素Cox分析提示模型风险评分是独立预后因素为了确认模型评分不是简单重复传统临床变量作者进行了多因素Cox回归分析。结果显示OvcaSurvivor风险评分是独立风险因素HR为 6.0195% CI为3.57-10.10。作者还验证了Cox比例风险假设Schoenfeld残差检验P0.641提示未发现明显违反比例风险假设。亚组分析显示模型在多数临床亚组中保持分层能力作者按年龄、绝经状态和FIGO分期进行亚组分析并在不同亚组内计算C-index和KM曲线。整体上OvcaSurvivor风险评分在多数亚组中仍能区分高低风险患者说明模型并不只在总体队列中有效。不过不同亚组样本量和死亡事件数不均衡亚组结果更适合作为稳定性提示而不是替代独立前瞻性验证。OvcaSurvivor通过两阶段融合连接微观病理和宏观超声模型结构上OvcaSurvivor先分别提取WSI、US和临床特征再进行局部和全局两级融合。局部融合阶段US特征作为QueryWSI特征作为Key-Value通过cross-attention捕捉宏观影像异常与微观病理结构之间的对应关系。全局融合阶段gated unit根据临床语义和影像信息自适应分配权重最终输出连续风险评分。这个设计的临床含义是模型既看肿瘤“长什么样”也看组织细胞“恶性程度如何”还把患者临床背景纳入风险判断。从这篇文章能迁移什么方法借鉴这篇文章最值得参考的是多模态融合层的设计。很多医学AI文章只是把影像、临床变量和组学特征拼接起来而OvcaSurvivor强调先做WSI-US局部对齐再用门控机制进行全局融合。迁移路线术前影像 术后病理WSI 临床指标 → 单模态特征提取 → cross-attention跨模态对齐 → gated fusion动态加权 → 连续风险评分 → KM/Cox/DCA验证。这个路线可以迁移到子宫内膜癌、宫颈癌、乳腺癌、胃肠道肿瘤和肝胆胰肿瘤的术后预后研究。临床落点对于R0切除卵巢癌真正需要的是术后随访强度、辅助治疗策略和复发风险监测的个体化分层。OvcaSurvivor这类模型可以作为术后风险分层工具而不是单纯替代FIGO分期。注意边界数据未公开样本量仍有限且外部验证2的C-index下降到0.70。模型具备转化潜力但进入临床前仍需要更大规模、多地区、前瞻性验证和标准化WSI/US采集流程。总结这篇文章提供了一个卵巢癌术后预后建模的多模态模板WSI提供微观形态超声提供宏观结构临床指标提供基础风险背景而attention-guided gated fusion负责把这些证据整合成可用于分层的风险评分。OvcaSurvivor的结果说明在R0切除患者中预后差异并不能完全由传统分期解释。融合病理、影像和临床数据有机会更早识别高风险患者为术后随访和治疗策略提供更细的分层依据。这篇文章的重点不是“多加几个模态”而是让病理WSI、超声和临床指标在模型内部形成可对齐、可加权、可用于生存分层的证据链。参考文献Zhang Y, Duan Y, Tang M, Xu Y, et al. Survival prediction and risk stratification in R0-resected ovarian cancer: a multi-modal deep learning approach.NPJ Precis. Oncol.2026;10:60.PMC: https://pmc.ncbi.nlm.nih.gov/articles/PMC12886920/DOI: https://doi.org/10.1038/s41698-025-01263-3PubMed: https://pubmed.ncbi.nlm.nih.gov/41520012/Journal: https://www.nature.com/articles/s41698-025-01263-3Code: https://github.com/Duanyy1994/Multimodal-deep-learning-framework-for-OC-survival-prediction-through-attention-guided-gated-fusion
