基于Rasa报告辅助自蒸馏的提高WSI相关生存分析
计算机视觉与模式识别
2025-09-22 v1
摘要
基于全切片图像 (WSI) 的生存分析对于评估癌症预后至关重要，因为它们提供了对于预测患者结果必不可少的细微信息。然而，传统的WSI生存分析通常面临噪声特征和数据可访问性有限的问题，阻碍其有效捕获关键预后特征。虽然病理报告提供了丰富的患者特定信息，可帮助分析，但其潜在的提升作用仍基本未被探索。为此，本文提出一种新型的报告辅助自蒸馏 (Rasa) 框架，用于WSI生存分析。首先，利用大型语言模型 (LLM)，通过精心设计的任务提示，从原始噪声病理报告中提取与WSI相关的细粒度文本描述。接着，设计一种自蒸馏管道，在教师模型的文本知识指导下，过滤学生模型中不相关或冗余的WSI特征。最后，在学生模型的训练中融入一种基于风险的混合策略，以增强训练数据的数量和多样性。在我们收集的数据 (CRC) 和公共数据 (TCGA-BRCA) 上的大量实验表明，Rasa在最先进的方法方面表现出优越效果。我们的代码可在 https://github.com/zhengwang9/Rasa 提供。
引用
@article{arxiv.2509.15608,
title = {Enhancing WSI-Based Survival Analysis with Report-Auxiliary Self-Distillation},
author = {Zheng Wang and Hong Liu and Zheng Wang and Danyi Li and Min Cen and Baptiste Magnier and Li Liang and Liansheng Wang},
journal= {arXiv preprint arXiv:2509.15608},
year = {2025}
}