隨著人工智能在醫(yī)學(xué)領(lǐng)域的深入應(yīng)用，病理AI模型已能輔助醫(yī)生識(shí)別腫瘤類型、預(yù)測(cè)患者預(yù)后甚至判斷基因突變狀態(tài)。然而，不同的病理模型架構(gòu)各異、訓(xùn)練數(shù)據(jù)來(lái)源不一，導(dǎo)致它們?cè)诰唧w任務(wù)上的表現(xiàn)參差不齊：有的擅長(zhǎng)診斷，有的長(zhǎng)于預(yù)后，還有的在預(yù)測(cè)基因表達(dá)方面表現(xiàn)突出。由于數(shù)據(jù)隱私和模型架構(gòu)差異，將這些模型集中重新訓(xùn)練幾乎不可行，如何整合它們的優(yōu)勢(shì)、避免“模型選擇困難”，成為精準(zhǔn)腫瘤學(xué)面臨的一大挑戰(zhàn)。

2026年4月16日，上海交通大學(xué)生物信息學(xué)與生物統(tǒng)計(jì)系俞章盛教授研究團(tuán)隊(duì)在《自然·通訊》上發(fā)表題為《Meta-encoder: a unified integration framework for multiple pathological foundation models in cancer detection》的研究論文。該團(tuán)隊(duì)提出名為“Meta-Encoder”的統(tǒng)一框架，通過(guò)四種融合策略將多個(gè)病理學(xué)基礎(chǔ)模型的特征進(jìn)行整合，無(wú)需重新訓(xùn)練即可顯著提升多種癌癥檢測(cè)任務(wù)的性能。

研究團(tuán)隊(duì)選取了五個(gè)最具代表性的病理基礎(chǔ)模型——三個(gè)處理圖像切片的模型（CHIEF、GigaPath、UNI）和兩個(gè)處理全切片圖像的模型（TITAN、PRISM）。Meta-Encoder框架設(shè)計(jì)了四種融合策略：簡(jiǎn)單拼接、自注意力、交叉注意力和對(duì)比損失。在TCGA數(shù)據(jù)庫(kù)的乳腺癌和非小細(xì)胞肺癌亞型分型任務(wù)中，簡(jiǎn)單拼接策略的表現(xiàn)與最佳單一模型持平，自注意力策略則在數(shù)據(jù)充足時(shí)略優(yōu)，且預(yù)測(cè)概率校準(zhǔn)更準(zhǔn)確。對(duì)于生存預(yù)測(cè)任務(wù)，Meta-Encoder同樣能夠自動(dòng)匹配最佳模型表現(xiàn)，并將顯著風(fēng)險(xiǎn)分層的比例從53.3%提升至63.3%。

在更復(fù)雜的任務(wù)中，Meta-Encoder展現(xiàn)出顯著優(yōu)勢(shì)。針對(duì)結(jié)直腸癌九類腫瘤微環(huán)境組分的區(qū)分任務(wù)，融合策略均達(dá)到與最佳單一模型相當(dāng)?shù)乃剑鉀Q了不同任務(wù)需反復(fù)選模型的痛點(diǎn)。在預(yù)測(cè)TP53、PIK3CA、RAS、BRAF等關(guān)鍵腫瘤標(biāo)志物以及微衛(wèi)星不穩(wěn)定性狀態(tài)的多標(biāo)簽任務(wù)中，自注意力和交叉注意力策略持續(xù)優(yōu)于單一模型。特別是在外部驗(yàn)證集SurGen-CRC上，自注意力策略將最佳單一模型的AUC從0.6560提升至0.7367；在90%特異性的臨床分診標(biāo)準(zhǔn)下，靈敏度從35.95%大幅提高到60.81%，意味著每篩查一萬(wàn)名患者可多發(fā)現(xiàn)約373名適合免疫治療的候選人。

對(duì)于從病理圖像預(yù)測(cè)15種蛋白標(biāo)志物細(xì)胞計(jì)數(shù)的多重蛋白定量任務(wù)，自注意力策略將中位Spearman相關(guān)性相對(duì)提升1.80%，SHAP分析顯示該策略能動(dòng)態(tài)識(shí)別不同蛋白的最優(yōu)特征來(lái)源。最具挑戰(zhàn)性的是高維空間基因表達(dá)預(yù)測(cè)——從病理切片預(yù)測(cè)50至321個(gè)基因的表達(dá)水平。在HEST-Benchmark、CRC-inhouse和Her2ST三個(gè)數(shù)據(jù)集中，自注意力策略將Pearson相關(guān)系數(shù)分別絕對(duì)提升0.059、0.021和0.015，相對(duì)提升高達(dá)26.07%、8.65%和8.43%。在基于全切片圖像的體基因表達(dá)預(yù)測(cè)任務(wù)中，該策略同樣帶來(lái)10%至26%的相對(duì)提升。相比需要大規(guī)模預(yù)訓(xùn)練的GPFM融合方法，Meta-Encoder在蛋白定量和基因表達(dá)任務(wù)中分別實(shí)現(xiàn)了2%和13%以上的相對(duì)提升，且計(jì)算開(kāi)銷極低——自注意力策略僅增加約260MB顯存，而對(duì)比損失策略則需增加超過(guò)10GB。研究團(tuán)隊(duì)據(jù)此推薦自注意力策略作為復(fù)雜任務(wù)的首選方案。

READING

BioPeers

歡迎關(guān)注本公眾號(hào)，所有內(nèi)容歡迎點(diǎn)贊，推薦??，評(píng)論，轉(zhuǎn)發(fā)~

如有錯(cuò)誤、遺漏、侵權(quán)或商務(wù)合作請(qǐng)私信小編~~

歡迎大家投稿課題組 研究進(jìn)展 、招聘及招生宣傳~

所有文章只為科普、科研服務(wù)，無(wú)商業(yè)目的~