NPJ Precis Oncol 安徽医科大学第一附属医院超声科张超学等团队：多模态深度学习方法用于R0切除卵巢癌的生存预测与风险分层

01文献学习今天分享的文献是由安徽医科大学第一附属医院超声科张超学等团队于2026年1月10日在肿瘤学领域顶刊《npj Precision Oncology》中科院1区IF8上发表的研究“Survival prediction and risk stratification in R0-resected ovarian cancer: a multi-modal deep learning approach”即R0切除卵巢癌的生存预测与风险分层一种多模态深度学习方法该研究开发了一个名为OvcaSurvivor的多模态深度学习框架用于R0切除卵巢癌患者的个体化生存预测与风险分层。该模型整合了全切片图像WSI、超声图像US和临床数据通过注意力机制与门控融合策略显著提升了预测性能并在多中心外部验证中表现出良好的泛化能力。创新点①构建多模态深度学习框架创新性地融合全切片图像、超声与临床数据实现跨模态信息互补与协同预测。②设计注意力引导的门控融合机制动态调整各模态权重增强模型对异质性肿瘤特征的捕捉与解释能力。③首次将计算病理WSI与超声影像深度结合实现对R0切除卵巢癌患者术后生存的精准预测与分层。临床价值①提供个体化、高精度的生存预测工具辅助临床医生制定术后治疗与随访策略推动精准医疗实践。②实现动态风险分层能有效区分高/低危患者为临床试验入组与分层治疗提供可靠依据。③弥补传统分期与单一biomarker的不足提升预后评估的稳健性与临床实用性有望改善患者管理结局。图 6OvcaSurvivor模型架构示意图数据预处理阶段WSI像素级背景分割Otsu阈值法→裁剪为256×256像素补丁10×放大USresize至512×512像素→RGB三通道转换→归一化→数据增强随机水平翻转、±15°旋转等临床数据标签编码、Z-score标准化、独热编码→多维特征向量。特征提取阶段WSI采用CHIEF网络提取细胞水平形态学特征US采用ResNet50ImageNet预训练权重微调提取宏观结构特征多模态融合阶段局部融合交叉注意力模块US特征为QueryWSI特征为Key-Value→语义对齐全局融合门控单元→自适应分配临床数据与影像特征权重输出阶段全连接层→连续风险评分→高低风险分层p0.0011/3/5年生存预测。02研究背景及目的研究背景卵巢癌是全球妇科癌症死亡的首要原因也是女性癌症相关死亡的前六大病因之一其五年生存率仅约49%预后依然严峻。尽管R0切除完全切除是重要的积极预后因素但即使在这一亚组中患者生存结局仍存在显著异质性凸显出现有预后工具的不足。目前临床常用的预测模型如基于CT影像的机器学习列线图、SEER数据库驱动的列线图以及基于糖酵解相关基因的风险模型等虽各有进展但其预测效能有限C-index多处于0.70–0.80区间且普遍存在对肿瘤异质性捕捉不足、特征提取不全面的问题。FIGO分期系统与组织病理学分级虽为预后分层提供基础却难以解释同一分期内患者结局的显著差异且存在一定的主观不一致性。近年来深度学习在医学影像与病理分析中展现出强大潜力例如在卵巢癌良恶性鉴别、超声图像分析等方面已取得优于人工诊断的效能尤其在全切片图像WSI分析中深度学习能够提取人眼难以察觉的形态学预后特征。然而现有研究多局限于单一模态如仅WSI或仅超声未能实现多源数据的深度融合从而可能遗漏跨模态的协同生物学信号。因此开发一种能够整合WSI、超声影像与临床数据的新型多模态深度学习框架成为提升卵巢癌生存预测精度与实现个体化风险分层的迫切需求。研究目的本研究旨在开发并验证一个多模态深度学习框架——OvcaSurvivor用于提升R0切除卵巢癌患者的生存预测准确性与风险分层能力。该框架的核心目标是整合三种关键数据源高分辨率的全切片图像WSI、超声影像US及临床特征通过先进的神经网络架构包括用于WSI的CHIEF网络与用于超声的ResNet50与注意力引导的门控融合机制实现跨模态特征的语义对齐与自适应权重分配。研究的具体目的包括第一构建一个能够同时捕捉微观组织形态WSI与宏观影像结构超声的多模态融合模型以克服单一模态模型的局限性第二通过内部与外部多个独立队列验证模型的预测效能评价指标包括C-index、时间依赖性AUC及决策曲线分析DCA第三阐明各模态特征在预测中的贡献度并通过可视化技术如Grad-CAM与交叉注意力矩阵解释模型的生物学依据第四基于模型输出的风险评分实现对患者的高风险与低风险分层并通过Kaplan-Meier曲线与Cox回归验证其临床实用性第五通过消融实验验证所提融合机制交叉注意力与门控单元的必要性。最终该研究旨在为卵巢癌的术后精准管理提供一个稳健、可解释且临床可用的预后工具推动多模态深度学习在肿瘤预后预测中的实际应用。03数据和方法研究数据研究对象共纳入543例R0切除卵巢癌患者来自3个临床中心分为4个队列训练队列n26148.07%安徽医科大学第一附属医院2018.1-2024.6患者内部验证队列n6612.15%安徽医科大学第一附属医院2012.7-2017.6患者外部验证队列1n15728.91%安徽医科大学第一附属医院高新区院区2016.6-2024.6患者外部验证队列2n5910.87%芜湖市第二人民医院2017.10-2025.3患者。数据类型临床数据年龄、FIGO分期、淋巴结转移状态、绝经状态、CA125、HE4、Ki67、ROMA指数等超声图像经预处理resize至512×512像素、数据增强等WSIHE染色20×放大扫描经背景分割后裁剪为256×256像素补丁。结局指标总生存期OS定义为从诊断到死亡的时间随访截止至2025年3月25日。技术方法1模型架构OvcaSurvivor多模态深度学习框架特征提取WSI特征采用预训练的CHIEF网络提取细胞水平形态学特征超声特征采用ResNet50网络提取肿瘤宏观结构特征如形态、边界等临床特征经标签编码、Z-score标准化等预处理后形成多维特征向量。多模态融合局部融合通过交叉注意力模块实现WSI与超声特征的语义对齐全局融合通过门控单元自适应分配临床数据与影像特征的权重抑制无关模态噪声。输出通过全连接层映射为连续风险评分以中位数0.62为临界值将患者分为高风险组和低风险组。2模型评估方法主要指标一致性指数C-index、时间依赖性受试者工作特征曲线下面积AUC辅助分析决策曲线分析DCA、Kaplan-MeierKM生存分析、多因素Cox回归、亚组分析、消融实验。04实验结果1模型性能OvcaSurvivor表现优异显著优于单模态及双模态模型C-index内部验证0.8195% CI0.77-0.85外部验证1为0.7695% CI0.68-0.84外部验证2为0.7095% CI0.69-0.80时间依赖性AUC内部验证1年0.82、3年0.76、5年0.70外部验证1年0.78、3年0.73外部验证2年3年0.62、5年0.72。2特征贡献WSI特征对预测的贡献最大其次为超声特征和临床数据特征权重具有阶段适应性FIGO早期I-II依赖临床指标晚期III-IV通过门控机制提升超声和WSI的权重。3风险分层基于风险评分的高低风险组KM曲线分离显著P0.05高风险组中位生存期显著低于低风险组多因素Cox回归显示风险评分为独立预后因素HR6.0195% CI3.57-10.10。4亚组分析与消融实验亚组分析模型在多数亚组不同年龄、绝经状态、FIGO分期中表现稳定但部分亚组如内部队列中绝经后女性、49岁患者、早期病例统计显著性不足P0.05可能与样本量较小有关消融实验移除交叉注意力模块或门控单元后模型性能显著下降证实融合架构的有效性。图 1时间依赖性ROC曲线与决策曲线分析DCAa1年、3年、5年时间依赖性受试者工作特征ROC曲线b同期生存预测模型的决策曲线分析DCA。对比对象OvcaSurvivor多模态融合模型与单模态模型超声US、全切片图像WSI、双模态模型WSIUS及临床基线策略。图 2模态贡献与跨模态对齐分析a模态贡献重要性雷达图b不同FIGO分期下模态权重分配图cWSI与US的交叉注意力矩阵。图 3高低风险组Kaplan-MeierKM生存曲线图 4多因素Cox回归森林图展示纳入模型的关键变量年龄、Ki67、ROMA指数、OvcaSurvivor风险评分、FIGO分期、淋巴结转移状态等的多因素Cox回归结果包括未调整和调整后的风险比HR及95%置信区间95% CI。图 5亚组Kaplan-MeierKM曲线分析05研究结论本研究构建并验证了一种名为OvcaSurvivor 的多模态深度学习框架用于R0切除术后卵巢癌患者的生存预测与风险分层。该模型整合了全切片图像、超声影像与临床数据通过注意力引导的门控融合机制显著提升了预测性能。在内部验证中其C-index达到0.81外部验证分别为0.76与0.70均优于单模态模型。研究证实WSI特征是预测最主要的贡献源模型能够依据FIGO分期自适应调整不同模态的权重早期阶段依赖临床指标晚期则增强影像特征的重要性。此外基于模型输出的风险评分患者可被显著区分为高、低风险两组生存曲线分离明显且风险评分是独立的预后因素HR6.01。尽管在部分亚组中因样本量限制表现受限但整体上OvcaSurvivor 通过多模态融合实现了更精准的个体化预后评估为卵巢癌术后精准管理提供了有力的决策支持工具。参考文献Zhou Y, Duan Y, Teng M, Li S, Zhang H, He F, Gao C, Xiong Y, Wang J, Fan X, Zhang C. Survival prediction and risk stratification in R0-resected ovarian cancer: a multi-modal deep learning approach. NPJ Precis Oncol. 2026 Jan 10. doi: 10.1038/s41698-025-01263-3.