IPGPhormer：可解释病理图-Transformer用于生存分析
计算机视觉与模式识别
2025-09-23 v2 人工智能
摘要
病理学图像在癌症预后中发挥着 essential 作用，而生存分析整合了计算技术，可从整个切片图像（WSIs）预测关键临床事件，如患者死亡或疾病复发。多实例学习的最新进展显著提高了生存分析的效率。然而，现有方法往往难以在建模长程空间关系与局部上下文依赖之间取得平衡，通常缺乏内在可解释性，限制了其临床实用性。为解决这些挑战，我们提出可解释病理图-Transformer（IPGPhormer），一种新型框架，捕捉肿瘤微环境特征并建模其在组织中的空间依赖关系。IPGPhormer独特地在组织和细胞水平上提供可解释性，而无需事后手动注释，使其能够对单个WSI和跨队列进行详细分析。广泛的在四个公共基准数据集上的评估表明，IPGPhormer在预测准确率和可解释性方面均优于最先进的方法。总之，我们的方法IPGPhormer为癌症预后评估提供了一个有前景的工具，为病理学中的更可靠和可解释决策支持系统铺平了道路。代码已公开available at https://anonymous.4open.science/r/IPGPhormer-6EEB。
关键词
引用
@article{arxiv.2508.12381,
title = {IPGPhormer: Interpretable Pathology Graph-Transformer for Survival Analysis},
author = {Guo Tang and Songhan Jiang and Jinpeng Lu and Linghan Cai and Yongbing Zhang},
journal= {arXiv preprint arXiv:2508.12381},
year = {2025}
}
备注
13 pages, 5 figures