ProtoPathway：基于生物学结构化原型-通路融合的多模态癌症生存预测

我们提出 ProtoPathway，一个以可解释为目标的多模态癌症生存预测框架，通过编码器在两侧产生生物学上有依据的表示，从而统一了全切片图像与转录组数据。在组织病理学侧，$K$ 个可学习的形态原型经过生存目标训练，作为切片表示本身： patches 通过软分配流入原型 token，将变长的 patch 集合压缩为固定的任务自适应 token。在基因组侧，采用二分图神经网络在 Reactome 通路层级结构中对基因表达进行编码，产生反映组成基因及其更广生物学背景的通路嵌入，通过在共享的基因-通路图上的双向消息传递实现。跨模态注意力机制在紧凑的原型 $\times$ 通路矩阵上运行，其中原型查询通路，建模分子程序如何产生组织形态的生物学方向。由于两个轴都携带稳定的任务学习身份，注意力矩阵本身即为可解释性输出，实现从基因、通路、原型到空间组织图的全生物学层级的原生推理时归因。我们在五个 TCGA 癌症队列上进行评估，展示在显著改善生物学可解释性与计算成本的同时实现竞争甚至优于水平的生存预测；通过基于折叠分层的秩基人群水平分析验证了可解释性主张。我们的源码、模型权重与 Reactome 通路，以及在相同预处理与评估下重新实现所有多模态生存基准的统一代码库，已发布于：https://github.com/AmayaGS/ProtoPathway。