GD-MIL：用于前列腺癌多模式生化复发预测的分级解缠多实例学习

根治性前列腺切除术后的生化复发（BCR）是前列腺癌的一个关键终点，但风险分层几乎完全依赖于格里森分级主导的变量。 H&E 全幻灯片图像 (WSI) 是否携带超出等级的预后信号，以及多实例学习 (MIL) 是否可以恢复它，仍然悬而未决。一个关键障碍是许多管道在评估折叠上选择模型检查点，人为地夸大了一致性。我们在 TCGA-PRAD（487 名患者，101 个 BCR 事件）上构建了严格的基准，使用对五个种子重复的五倍交叉验证进行严格的折叠评分。 MIL 聚合器（ABMIL、CLAM、TransMIL、PatchGCN）的选择影响不大（UNI2-h 的 C 指数为 0.61-0.64），而特征提取器是主导因素（ResNet50 0.566 与高达 0.639 的病理学基础模型相比）。分级、分期、年龄的临床Cox模型达到0.687；没有任何仅成像模型的性能显着优于它 (p > 0.10)。我们引入了 Grade-Disentangled MIL (GD-MIL)，这是一种门控注意力 MIL 编码器，经过梯度反转等级对手训练，鼓励幻灯片表示在与临床变量后期融合之前保持格里森等级不变。 GD-MIL 达到 C 指数 0.704，显着优于临床基线（delta-c = +0.029，p = 0.0005）和最佳仅成像模型（delta-c = +0.062，p = 0.039），表明 H&E 形态包含与分级互补的预后信息。中位风险分割产生无 BCR 生存率的对数秩 p < 0.0001 分离（五年时约为 20% 与 70%）。