用于泛癌识别和文本引导肿瘤定位的统一多基础模型幻灯片表示

不断扩大的病理学基础模型生态系统产生了强大但分散的图块级表示，限制了它们在需要统一幻灯片级推理和与临床有意义的信息的可解释链接的临床任务中的使用。我们提出了 ASTRA，一个泛癌症框架，它将异构基础模型表示集成到共享的幻灯片级表示空间中，并使用结构化病理学注释字段（包括分类类别、癌症类型和解剖部位）在语义上为该空间奠定基础。 ASTRA 将稀疏专家混合情境化、屏蔽多模型重建以及与结构化病理学提示的对比对齐相结合，以学习支持 4 类分类、3 类实体瘤分型、16 类癌症分型和无需像素级监督的文本引导肿瘤定位的幻灯片表示。 ASTRA 基于涵盖 16 种肿瘤类型的 10,359 张全切片图像 (WSI) 的 CHTN 队列开发，持续改进了四种病理学基础模型主干的泛癌分类，实现了 4 类分类的宏观 AUC 高达 97.8%、3 类实体瘤分型的宏观 AUC 高达 99.7%、16 类癌症分型的宏 AUC 高达 99.2%。对于肿瘤定位，ASTRA 在涵盖 16 种癌症类型的注释域内 CHTN 子集 (n = 380) 上实现了 0.897 的平均 Dice，在跨越 4 种癌症类型的外部 TCGA 队列 (n = 1,686) 上实现了 0.738 的平均 Dice。这些结果表明，从幻灯片级元数据派生的最小结构化病理注释字段可以为统一幻灯片表示学习提供有效的语义监督，从而在单个框架内实现泛癌预测和弱监督肿瘤定位。