Cancer Cell | 斯坦福团队开发集成学习框架，整合五大病理基础模型，多项癌症诊疗结果表现优异

近日，国际知名期刊《Cancer Cell》发表了一项斯坦福大学医学院的最新研究成果。研究团队成功开发了一种名为ELF（Ensemble Learning of Foundation models）的新型集成学习框架，通过整合五种独立的病理学基础模型，实现了对全切片病理图像的统一表征学习。该模型在疾病诊断、分子生物标志物检测以及多种抗癌疗法疗效预测等125项任务中均展现出优于现有模型的性能，为精准肿瘤学的发展提供了全新思路。

图形摘要

破解“选择困境”：从单一模型到集成智慧

近年来，随着计算病理学的快速发展，已有超过20种病理学基础模型相继问世。然而，这些模型通常基于不同的专有数据集和训练策略，导致其在各项任务中的表现差异显著——没有任何一个模型能在所有场景下保持领先。这种“选择困境”让临床医生和研究人员在实际应用中面临巨大困惑。

针对这一难题，斯坦福团队另辟蹊径，提出了集成学习策略。研究团队的目标是充分利用不同基础模型的互补优势，而不是简单地寻找一个万能模型。

ELF框架整合了GigaPath、CONCH、Virchow2、H-Optimus-08和UNI这五种顶尖病理学基础模型，并在涵盖20个解剖部位的53699张全切片图像上进行预训练。通过无监督对比学习和弱监督学习，ELF能够将这些模型的特征有机融合，生成统一的切片级表征。

疾病分型与诊断：性能全面提升

研究团队首先评估了ELF在疾病分类和亚型鉴定方面的表现。在基底细胞癌分类任务中，ELF在三分类和五分类任务上的平衡准确率分别达到0.871和0.709，均超越包括TITAN在内的所有基线模型。在乳腺癌亚型鉴定这一极具挑战性的七分类任务中，ELF的平衡准确率达到0.457，较第二名TITAN提升了惊人的16.3%。值得注意的是，研究发现不同基础模型确实关注着组织切片中截然不同的形态学区域。通过分析各模型生成的注意力图谱，研究者发现它们之间的相关性极低，这证实了集成策略能够真正捕捉到多样化的组织学特征。

分子生物标志物检测：从基因突变到染色体不稳定性

在分子生物标志物检测方面，ELF展现了令人瞩目的能力。研究利用TCGA泛癌队列对28种临床可操作的基因变异进行了系统性评估。结果显示，ELF在84个生物标志物-适应症组合上的平均受试者工作特征曲线下面积（AUC）达到0.719，显著优于TITAN、CHIEF和Prov-GigaPath。

对于结直肠癌这一临床重点领域，ELF在四个独立队列中对BRAF突变和微卫星不稳定性的预测表现出色。在最大的MCO外部验证队列中，ELF对BRAF突变的阳性预测值达到0.35，对MSI检测的阳性预测值达到0.55，远高于其他模型。这意味着ELF有望作为一种低成本的前期筛查工具，减少不必要的昂贵分子检测。此外，ELF还能准确预测全基因组加倍、肿瘤突变负荷和高度非整倍体等具有重要预后意义的染色体不稳定性特征。其中，对肿瘤突变负荷的预测AUC超过0.86，显示出潜在的临床应用价值。

抗癌疗效预测：覆盖三大主流疗法

更为重要的是，ELF在预测患者对抗癌治疗的反应方面同样表现出色。研究涵盖了化疗、靶向治疗和免疫治疗三大主流疗法，涉及多种癌症类型的21个独立队列共1736名患者。在化疗和靶向治疗预测方面，ELF在转移性乳腺癌和高级别浆液性卵巢癌队列中的AUC分别达到0.710和0.761。对于接受贝伐珠单抗治疗的卵巢癌患者，ELF的预测AUC高达0.817。

在免疫治疗这一最具前景但也最具挑战性的领域，ELF的表现尤为亮眼。研究纳入了13个独立队列共1057名患者，涵盖膀胱癌、乳腺癌、子宫内膜癌、胃食管腺癌、头颈癌、黑色素瘤、非小细胞肺癌和肾细胞癌等八种癌症类型。ELF在所有癌种中的平均AUC达到0.724，远超其他评估的基础模型。

特别值得关注的是，在非小细胞肺癌免疫治疗预测中，ELF不仅超越了传统的PD-L1表达水平和肿瘤突变负荷这两个标准生物标志物，而且三者联合使用时效果最佳。在斯坦福内部验证队列中，联合模型的AUC达到0.773；在独立的纪念斯隆凯特琳癌症中心外部验证队列中，联合模型AUC也达到0.722。

多变量分析显示，在调整年龄、性别、吸烟史、TMB和PD-L1状态等因素后，ELF风险评分仍然是预测持久应答的最强独立因子。在MSKCC验证队列中，ELF将预测应答者的持久应答率从53%提升至59%，同时将预测不应答者比例减半。

研究意义与未来展望

ELF的设计初衷是在数据有限的情况下也能发挥作用，这在治疗反应预测等实际临床场景中尤为重要，这种集成学习策略为病理学基础模型的应用开辟了新路径。未来，研究团队计划进一步探索ELF在不同肿瘤类型和治疗模式中的应用潜力，推动其向临床决策支持工具的转化。

https://www.cell.com/cancer-cell/fulltext/S1535-6108(26)00385-5

【关于投稿】

转化医学网（360zhyx.com）是转化医学核心门户，旨在推动基础研究、临床诊疗和产业的发展，核心内容涵盖组学、检验、免疫、肿瘤、心血管、糖尿病等。如您有最新的研究内容发表，欢迎联系我们进行免费报道（公众号菜单栏-在线客服联系），我们的理念：内容创造价值，转化铸就未来！

转化医学网（360zhyx.com）发布的文章旨在介绍前沿医学研究进展，不能作为治疗方案使用；如需获得健康指导，请至正规医院就诊。

责任声明：本稿件如有错误之处，敬请联系转化医学网客服进行修改事宜！

微信号：zhuanhuayixue

★ 8月份热门内容 ★

01

02

03

04

05

06