整合病理与CT影像用于肾癌个体化复发风险预测
摘要
清晰细胞肾细胞癌（ccRCC）的复发风险估计对于指导术后随访和治疗至关重要。Leibovich评分虽在广泛使用，但仅提供有限的患者层次分辨率，且不包含影像信息。本研究评估了将术前计算机断层扫描（CT）和术后组织病理全切片图像（WSI）整合用于复发预测的多模态方法。测试了具有预训练编码器和基于Cox比例风险模型的模块化深度学习框架，包括单模态、晚期融合和中间融合等不同设置。在一个真实世界的ccRCC队列中，基于WSI的模型始终优于仅基于CT的模型，凸显了病理学的预后优势。中间融合进一步提升了性能，最佳模型（TITAN-CONCH搭配ResNet-18）接近调整后的Leibovich评分。随机投票确定性缩小了临床基线与所学模型之间的差距，表明离散化可能高估了个体化性能。通过简单的嵌入拼接，放射科信息主要通过融合获得价值。这些发现表明基于基础模型的多模态集成对于ccRCC的个体化风险预测是可行的。未来工作应探索更具表达力的融合策略、更大规模的多模态数据集以及通用的CT编码器，以更好地匹配病理学建模能力。
引用
@article{arxiv.2508.21581,
title = {Integrating Pathology and CT Imaging for Personalized Recurrence Risk Prediction in Renal Cancer},
author = {Daniël Boeke and Cedrik Blommestijn and Rebecca N. Wray and Kalina Chupetlovska and Shangqi Gao and Zeyu Gao and Regina G. H. Beets-Tan and Mireia Crispin-Ortuzar and James O. Jones and Wilson Silva and Ines P. Machado},
journal= {arXiv preprint arXiv:2508.21581},
year = {2025}
}
备注
12 pages, 2 figures, 1 table. Accepted at the Multimodal Learning and Fusion Across Scales for Clinical Decision Support (ML-CDS) Workshop, MICCAI 2025. This is the submitted version with authors, affiliations, and acknowledgements included; it has not undergone peer review or revisions. The final version will appear in the Springer Lecture Notes in Computer Science (LNCS) proceedings