近日，南京信息工程大学智能医学图像计算江苏高校重点实验室（IMIC）王向学老师团队与美国埃默里大学、复旦大学附属肿瘤医院等多中心团队合作，在肿瘤学领域国际权威期刊《European Journal of Cancer》（中科院医学一区TOP）上发表了最新研究成果。

该研究题为《MuTriM：A multiscale deep learning model integrating longitudinal radiomics and pathomic features for predicting recurrence and adjuvant radiation benefit in breast cancer》(一种整合纵向放射组学和病理组学特征的多尺度深度学习模型，用于预测乳腺癌复发和辅助放疗获益)。该研究致力于解决乳腺癌预后评估中单一模态信息不足、难以捕捉肿瘤时空异质性的核心痛点，基于临床常规动态对比增强磁共振影像（DCE-MRI）与苏木精-伊红染色全切片图像（WSI），创新性地构建了基于注意力机制的跨模态、跨时间融合的深度学习模型MuTriM。模型（图1所示）通过分层架构实现多尺度特征的深度融合：在病理端，采用自监督视觉Transformer模型从WSI中提取从单细胞到组织微环境的分层病理组学特征，并通过自注意力机制生成全切片级别的形态表征；在影像端，从DCE-MRI的多个增强时相中提取纵向影像组学特征，通过多层感知机编码动态增强曲线所反映的肿瘤血流灌注与微血管重构信息。模型核心采用跨模态自注意力融合机制，不仅实现了宏观影像动态与微观细胞形态的交互建模，还在同一框架内实现了对空间跨尺度与时间跨序列信息的联合捕获，最终输出用于预测无复发生存期（RFS）的风险评分及辅助放疗获益概率。

该模型在复旦大学附属肿瘤医院队列（N=335）完成训练，并在TCGA公共队列（N=126）中进行了外部验证。结果显示，MuTriM模型在亚型非特异性队列中显著预测RFS（HR=5.26，C-index=0.75），其性能全面超越基于单一模态的模型。此外，MuTriM模型在ER+人群中展现出指导放疗决策的潜力：高风险患者可从辅助放疗中显著获益（HR=0.15，P=0.03），而低风险患者则未见明显获益（HR=4.06，P=0.53），交互作用检验显著（P=0.04）。结合转录组分析，研究进一步揭示了高风险肿瘤的免疫逃逸与侵袭性生物学特征。该模型为乳腺癌的精准风险分层与个体化治疗决策提供了有力支持。

图1. MuTriM模型框架示意图

本文引用方式与原文链接

Xiangxue Wang, Liya Chen, Jingwen Sun, Sirvan Khalighi, Tanmoy Dam, Himanshu Maurya, Tilak Pathak, Cheng Lu, Shipra Gandhi, Sunil Badve, Shen Zhao, Wentao Yang, Jun Xu, Anant Madabhushi, Bolin Song, MuTriM: A multiscale deep learning model integrating longitudinal radiomics and pathomic features for predicting recurrence and adjuvant radiation benefit in breast cancer, European Journal of Cancer, vol. 238, 2026,116679.  https://doi.org/10.1016/j.ejca.2026.116679