夜雨聆风引言：
肝细胞癌（HCC）是临床预后最差的恶性肿瘤之一，其高度的组织学和分子异质性使得传统分期系统难以精准预测患者生存。病理图像作为诊断“金标准”，蕴藏着大量与预后相关的形态学信息，但如何系统、定量地挖掘这些信息一直是未解难题。
近期，复旦大学附属中山医院团队在《Gut》（IF=26.2）上发表了一项突破性研究。他们基于深度学习，提出了一套整合先验知识的弱监督框架：先由病理专家标注组织类型，指导模型进行区域导向采样，再通过预后网络输出每位患者的“肿瘤风险评分（TRS）”。更关键的是，团队开发了“风险激活映射（RAM）”技术，将深度学习“黑箱”可视化，清晰揭示了高TRS对应的三大组织学特征（血窦毛细血管化、显著核仁核膜、高核浆比）以及低风险相关的炎性细胞浸润。外部验证显示，TRS可显著优于传统分期系统，将患者分为多个预后显著不同的风险组别。
这项研究不仅为HCC的精准风险分层提供了全新工具，也为深度学习的临床可解释性树立了范例。下面，我们就来详细拆解其技术方案和核心发现。
【发表杂志】：Gut
【影响因子】：26.2
✅数据来源
中山医院队列：1,125例HCC患者，共2,451张WSI。其中260张WSI用于组织分类网络的标注，剩余1,891张WSI（覆盖1,029例患者）按7:3随机划分为训练集（501例）和验证集（528例）。
TCGA队列：320例HCC患者，共320张WSI，用于模型的外部验证。
✅研究的医学问题
✅用到的技术方案流程
具体内容：首先，由病理专家对中山医院队列中的260张WSI进行精细标注（区分肿瘤组织、癌旁肝组织、肿瘤相关间质、出血坏死区），训练一个基于ResNet-18和条件随机场（CRF） 的分类网络。随后，该网络对剩余所有WSI进行自动分割，生成组织分割图（Segmentation Maps）。以此分割图作为先验知识，指导后续的区域导向采样（Tissue Category-Based Local Sampling），分别从不同组织类型中提取图像块（Tiles），避免全局随机采样（Global Random Sampling）引入的噪声。
流程1：基于先验知识的组织分类网络训练与区域导向采样
流程2：预后网络训练与TRS评分计算
具体内容：基于弱监督学习框架，构建以ResNet-50和线性Cox回归为核心的预后网络。网络输入为流程1中从肿瘤组织采样得到的多尺度图像块（4×、10×、40×），输出为每个患者的肿瘤风险评分（TRS）。通过对比实验，证实了区域导向采样和多尺度融合策略显著优于全局随机采样和单一尺度。
流程3：风险激活映射与组织学特征可视化
具体内容：为打开深度学习的“黑箱”，提出了风险激活映射（RAM） 方法。该方法在40×倍率下生成了精细的热力图（Heatmaps），揭示TRS的生物学基础。病理医生据此识别出与高TRS相关的三大高风险特征——血窦毛细血管化、显著的核仁核膜、高核浆比，以及一个低风险特征——炎性细胞浸润。
流程4：多组学关联分析（仅TCGA队列）
具体内容：利用TCGA队列的转录组和基因组数据，分析TRS与肿瘤免疫微环境和基因突变的相关性。发现高TRS与中性粒细胞、M0巨噬细胞、调节性T细胞浸润正相关，与CD4+记忆T细胞及T效应细胞特征负相关；且与FAT3、RYR2、TTN等基因突变显著相关。
✅参考文献
✅Onekey技术方案梳理
1. ⭐特征提取组件
OKT Feature Extract：支持从CNN或ViT模型中提取patch特征。
支持自定义特征层（如倒数第二层）。
新增多线程/多进程支持（MT），提升特征提取速度。
2. ⭐多实例学习组件
OKT Habitat：用于WSI级别的特征聚合与分类。
支持保存模型，便于后续增量数据的预测，避免重新训练导致结果不一致。
3. ⭐Transformer融合组件
新增组件：OKT Transformer Fusion
支持对提取的patch特征进行Transformer建模。
关键参数：
batch_size：控制每个WSI使用的patch数量（容忍缺失值，支持不定长）；
num_workers：控制并行度，提升训练速度。
4. ⭐模型训练与评估组件
支持有监督、弱监督、Transformer等多种模型的训练与评估。
自动保存最佳模型，支持模型可视化、特征可视化等。
5. ⭐解决方案组装
用户可基于现有解决方案（如Solution 30）进行组件替换或扩展，构建新的流程（如Solution 31）；
例如：
删除有监督模块→ 保留弱监督模块 → 加入Transformer融合模块；
实现多技术对比（如MIL vs Transformer）。
✅Onekey升级技术方案
1. ⭐基于Patch的特征提取与融合
使用Vision Transformer（ViT） 或 CNN + Transformer 对病理图像中的patch进行特征提取和融合。
支持不定长序列的融合，适用于不同样本patch数量不一致的情况。
2. ⭐多实例学习（MIL）与Transformer对比
MIL是传统病理图像分析中常用的方法，Transformer提供了另一种融合策略。
可以对比两种方法在同一数据集上的表现，作为方法学上的创新点。
3. ⭐有监督 vs 弱监督学习
有监督：依赖patch级标注；
弱监督：仅需WSI级标注，更适合实际场景。
可以组合使用或对比分析。
4. ⭐不同patch大小与倍率的对比
可以尝试不同patch尺寸（如256、512）和不同放大倍率（如20x、40x）对模型效果的影响。
5. ⭐多中心/跨中心验证
Transformer模型支持多中心数据的建模与验证，提升模型的泛化能力。
6. ⭐动态数据/时序数据处理
Transformer也可用于处理动态临床数据（如多次检验指标），与病理图像类似，都是不定长序列的建模问题。
7. ⭐融合多模态数据
如病理图像 + 临床数据 + 基因组学数据，使用Transformer进行多模态融合。
更多训练营回放，可联系王老师获取
END
