MorphDistill：从结直肠癌生存预测的病理学基础模型中提取统一的形态学知识

背景：结直肠癌（CRC）仍然是全世界癌症相关死亡的主要原因。准确的生存预测对于治疗分层至关重要，但现有的病理学基础模型常常忽视对 CRC 预测至关重要的器官特异性特征。方法：我们提出了 MorphDistill，这是一个两阶段框架，它将来自多个病理学基础模型的补充知识提炼成紧凑的 CRC 特定编码器。在第一阶段，学生编码器使用与维度无关的多教师关系 蒸馏 进行训练，并在大规模结直肠数据集上进行监督对比正则化。这保留了十个基础模型的样本间关系，而无需显式特征对齐。在第二阶段，编码器从整个幻灯片图像中提取补丁级特征，这些特征通过基于注意力的多实例学习进行聚合​​，以预测五年生存率。结果：在 Alliance/CALGB 89803 队列（n=424，III 期 CRC）中，MorphDistill 的 AUC 为 0.68 (SD 0.08)，比最强基线 (AUC 0.63) 相对改善约 8%。它还达到了 0.661 的 C 指数和 2.52 的风险比（95% CI：1.73-3.65），优于所有基线。在外部 TCGA 队列 (n=562) 上，它的 C 指数达到 0.628，证明了跨数据集的强大泛化性和跨临床亚组的稳健性。结论：MorphDistill 通过将多个基础模型的知识集成到统一编码器中来实现特定于任务的表示学习。这种方法为计算病理学中的预后建模提供了一种有效的策略，具有更广泛的肿瘤学应用的潜力。需要在其他队列和疾病阶段进行进一步验证。