MorphDistill：病理財団モデルから大腸がん生存予測のための統合形態学的知識を蒸留する

Abstract

背景：大腸がん（CRC）は、世界におけるがん関連死亡の主要原因の一つである。治療の層別化にとって正確な生存予測は不可欠だが、既存の病理基盤モデルは、CRCの予後推定に重要な臓器特異的な特徴を見落としがちである。 方法：我々はMorphDistillを提案する。これは2段階の枠組みであり、複数の病理基盤モデルから補完的な知識を蒸留して、コンパクトなCRC専用エンコーダへと集約する。第1段階では、大規模な大腸データセットに対して、教師ありコントラスト正則化を伴う次元非依存のマルチティーチャー関係蒸留により、学生エンコーダを訓練する。これにより、特徴の明示的なアラインメントを行わずに、10個の基盤モデルからのサンプル間の関係性を保持する。第2段階では、エンコーダが全スライド画像からパッチレベルの特徴を抽出し、注意機構に基づくマルチインスタンス学習により集約して、5年生存を予測する。 結果：Alliance/CALGB 89803コホート（n=424、ステージIII CRC）において、MorphDistillはAUC 0.68（SD 0.08）を達成し、最も強いベースライン（AUC 0.63）に対して約8%の相対的改善となる。また、C-index 0.661およびハザード比2.52（95% CI：1.73-3.65）を達成し、すべてのベースラインを上回る。外部のTCGAコホート（n=562）ではC-index 0.628を達成し、データセット間の強い汎化と臨床サブグループに対する頑健性を示す。 結論：MorphDistillは、複数の基盤モデルからの知識を統一エンコーダへ統合することで、タスク特化型の表現学習を可能にする。このアプローチは計算病理における予後モデリングのための効率的な戦略を提供し、より広範ながん領域への応用が期待できる。追加のコホートおよび疾患ステージにわたるさらなる検証が必要である。