换一批GLCFormer:基于数字病理图像的乳腺癌TMB预测模型
GLCFormer:A Breast Cancer TMB Prediction Model Based on Digital Pathological Images
摘要肿瘤突变负荷(TMB)是预测乳腺癌患者免疫检查点抑制剂(ICIs)疗效的重要生物标志物,现有基于全视野数字病理切片(WSI)的深度学习预测方法仍面临两项关键挑战:1)自注意力进行全局交互时易引入冗余响应,降低全局建模效率;2)全局与局部特征融合过程缺乏自适应性,易造成特征冗余,影响跨尺度特征的有效整合.针对上述问题,本研究提出了一个全局与局部双分支并行协同架构模型GLCFormer.首先在全局分支中引入ReLU线性注意力,利用非线性映射抑制弱相关特征,提高运算效率的同时高效提取病理图像中的全局语义信息.为了在同一特征层级上增强模型对细粒度结构信息的表达能力,局部分支设计了由并行深度可分离卷积构成的多尺度卷积块,在不同感受野范围内提取局部形态特征.双分支提取的特征经过跨尺度动态特征融合(DCSF)模块自适应生成融合权重,降低特征冗余,实现全局与局部信息的高效整合.在TCGA-BRCA数据集(含198例患者WSI数据,共614 253张训练样本)上进行5次独立重复实验.结果表明,GLCFormer在TMB分类任务中AUC达98.8％±0.1％,较最优模型CoAtNet提升4.6％,经独立双样本t检验验证差异具有统计学意义(P＜0.05).在回归任务中,平均绝对百分比误差(MAPE)为0.287 4.优于所有对比模型,所提方法在WSI级TMB预测中表现出良好的准确性与稳定性,可为精准免疫治疗提供技术支撑.
更多相关知识
关键词
肿瘤突变负荷深度学习并行特征提取跨尺度动态特征融合tumor mutation burdendeep learningparallel feature extractiondynamic feature fusion
分类号
R318（医用一般科学）
栏目名称
DOI
10.3969/j.issn.0258-8021.2026.02.003
发布时间
2026-07-09（万方平台首次上网日期，不代表论文的发表时间）
基金项目
辽宁省自然基金项目（20240311）
- 浏览0
- 被引0
- 下载1
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
