A Multimodal Dataset for Survival Prediction in Resected Pancreatic Ductal Adenocarcinoma

📄 arXiv: 2609.29726v1 📥 PDF

作者: Anh-Tien Nguyen, Mawuko Tettey, Jacqueline Michelle Metsch, Teresa Zimmer, Niklas Ullrich, Mario Duker, Sandra Rungeling, Kirsten Reuter-Jessen, Tessa Rosenthal, Lena-Christin Conradi, Michael Ghadimi, Alexander Konig, Elisabeth Hessmann, Volker Ellenrieder, Philipp Strobel, Hanibal Bohnenberger, Anne-Christin Hauschild

分类: cs.CV

发布日期: 2026-09-24

💡 一句话要点

提出多模态数据集以改善胰腺导管腺癌生存预测

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 胰腺导管腺癌 生存预测 多模态数据集 岭回归Cox模型 靶向测序 临床病理变量 全切片图像 机器学习

📋 核心要点

  1. 现有的胰腺导管腺癌生存预测方法缺乏将组织学、临床和分子数据结合的数据集，限制了研究的深度与广度。
  2. 本文提出了一个包含302名患者的多模态数据集，结合了全切片图像、临床病理变量及靶向测序数据，以提高生存预测的准确性。
  3. 实验结果表明，使用岭回归Cox模型和多模态融合模型的预测一致性显著高于单一图像模型，为未来研究提供了新的基准。

📝 摘要（中文）

胰腺导管腺癌（PDAC）的生存研究受到缺乏将全切片组织学与临床、分子及长期结果数据相结合的数据集的限制。本文展示了来自哥廷根大学医学中心的302名PDAC切除患者的回顾性单中心队列数据集。该数据集包含446幅H&E全切片图像、临床病理变量、154名患者的靶向测序数据及总体生存结果。研究评估了14种生存预测配置，结果显示，使用数值临床病理变量的岭回归Cox模型达到了平均一致性0.649 ± 0.042，结合KRAS和TP53突变状态后为0.652 ± 0.046。图像单一注意力模型的结果为0.603 ± 0.030，而多模态融合模型达到了0.619 ± 0.025，为神经网络模型中最高的一致性。这些结果为未来使用该特定胰腺多模态数据集的研究奠定了有希望的初步基准。

🔬 方法详解

问题定义：本文旨在解决胰腺导管腺癌生存预测中缺乏多模态数据集的问题，现有方法往往无法有效整合组织学与临床数据，导致预测准确性不足。

核心思路：通过构建一个包含组织学图像、临床病理变量和分子数据的多模态数据集，论文旨在提高生存预测模型的性能，特别是在数据稀缺的领域。

技术框架：研究采用回顾性单中心队列设计，收集了302名患者的446幅H&E全切片图像、临床病理变量及154名患者的靶向测序数据，使用五次重复的蒙特卡洛交叉验证进行模型评估。

关键创新：论文的主要创新在于首次将多模态数据集应用于PDAC生存预测，特别是结合了组织学图像与临床数据，显著提升了模型的预测能力。

关键设计：在模型设计中，使用岭回归Cox模型作为基线，结合KRAS和TP53突变状态进行优化，此外，采用注意力机制的图像模型和多模态融合模型进行比较，确保了模型的有效性与准确性。

🖼️ 关键图片

fig_0
img_1
img_2

📊 实验亮点

实验结果显示，岭回归Cox模型在加入KRAS和TP53突变状态后，平均一致性达到了0.652 ± 0.046，而多模态融合模型的表现为0.619 ± 0.025，均显著高于图像单一模型的0.603 ± 0.030，展示了多模态数据集在生存预测中的优势。

🎯 应用场景

该研究的潜在应用领域包括胰腺导管腺癌的临床决策支持系统，能够帮助医生根据患者的多模态数据进行个性化治疗方案的制定。此外，该数据集为后续的生物标志物发现和新疗法开发提供了基础，具有重要的临床价值和研究意义。

📄 摘要（原文）

Survival research in pancreatic ductal adenocarcinoma (PDAC) is limited by the scarcity of datasets linking whole-slide histology with clinical, molecular, and long-term outcome data. We present a retrospective single-centre cohort of 302 patients who underwent PDAC resection at University Medical Center Gottingen. The dataset comprises 446 H&E whole-slide images, clinicopathological variables, targeted sequencing data for 154 patients, and overall-survival outcomes. During follow-up, 253 patients died, and the median follow-up was 76 months. To establish initial reference values, we evaluated fourteen survival-prediction configurations using identical five-repetition Monte Carlo cross-validation partitions. Ridge Cox regression using numeric clinicopathological variables achieved a mean concordance of $0.649 \pm 0.042$ and $0.652 \pm 0.046$ after adding KRAS and TP53 mutation status. The image-only attention model achieved $0.603 \pm 0.030$, while multimodal fusion achieved $0.619 \pm 0.025$, the highest concordance among the neural models. These results establish promising initial benchmarks for future research using this pancreas-specific multimodal dataset, paving the way for external validation.