TopoHyperClinicalGraph: A Geometry and Topology-Aware Multimodal Framework for Cancer Survival Prediction

📄 arXiv: 2610.41556v1 📥 PDF

作者: Noaman Khan, Zubair Shah

分类: eess.IV, cs.CV

发布日期: 2026-10-30

💡 一句话要点

提出TopoHyperClinicalGraph以解决癌症生存预测问题

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

关键词: 癌症生存预测 多模态框架 超曲面几何 持久拓扑 临床图学习 特征降维 病理分析 深度学习

📋 核心要点

  1. 现有方法在癌症生存预测中未能充分利用几何和拓扑信息，导致预测准确性不足。
  2. 论文提出的TopoHyperClinicalGraph框架结合了超曲面几何、持久拓扑和临床图学习，旨在提高生存预测的准确性。
  3. 实验结果显示，TopoHyperClinicalGraph在多个癌症类型的预测中均优于传统的病理空间PatchGCN，验证了其有效性。

📝 摘要（中文）

我们开发了TopoHyperClinicalGraph，这是一种多模态框架，结合了超曲面组织几何、持久拓扑和临床图学习，用于癌症生存预测。通过训练折的主成分分析（PCA），将预提取的UNI2-h特征从1536维减少到1024维。病理骨干网络结合了超曲面邻域与洛伦兹质心注意力池化。冻结后，利用每张幻灯片最多64个地标的持久性描述符和采样控制调整其生存对数。五节点临床图进一步学习来自年龄、性别、阶段、T和N的修正。五折患者级评估覆盖了八个TCGA和CPTAC队列，共2364名患者。

🔬 方法详解

问题定义：本研究旨在解决癌症生存预测中的准确性不足问题，现有方法未能充分利用几何和拓扑信息，导致预测效果不佳。

核心思路：论文的核心思路是通过结合超曲面几何、持久拓扑和临床图学习，构建一个多模态框架，以提高生存预测的准确性和可靠性。

技术框架：TopoHyperClinicalGraph框架包括几个主要模块：超曲面组织几何模块、持久拓扑模块、病理骨干网络和临床图学习模块。首先，通过PCA降维处理特征，然后利用病理骨干网络进行特征提取，最后通过临床图进行生存预测的修正。

关键创新：最重要的技术创新点在于将超曲面几何与持久拓扑结合，形成一个新的多模态框架，显著提高了生存预测的准确性，与传统方法相比具有本质区别。

关键设计：在模型设计中，使用了训练折的PCA进行特征降维，病理骨干网络采用了洛伦兹质心注意力池化，临床图则通过五个节点学习年龄、性别、阶段等信息的修正。

🖼️ 关键图片

fig_0
fig_1

📊 实验亮点

实验结果显示，TopoHyperClinicalGraph在COADREAD、HNSC、BRCA和STAD等癌症类型中，C-index分别为0.7563、0.6220、0.6755和0.6409，均优于仅使用病理信息的PatchGCN，验证了该框架的有效性和优势。

🎯 应用场景

该研究的潜在应用领域包括癌症研究、临床决策支持系统和个性化医疗。通过提高生存预测的准确性，TopoHyperClinicalGraph能够帮助医生制定更有效的治疗方案，改善患者的预后。未来，该框架还可扩展到其他疾病的生存预测和风险评估中。

📄 摘要（原文）

We developed TopoHyperClinicalGraph, a multimodal framework combining hyperbolic tissue geometry, persistent topology and clinical graph learning for cancer survival prediction. Pre-extracted UNI2-h features are reduced from 1,536 to 1,024 dimensions using training-fold PCA. A pathology backbone combines hyperbolic neighborhoods with Lorentz-centroid attention pooling. Once frozen, its survival logits are adjusted using persistence descriptors from up to 64 landmarks per slide and sampling controls. A five-node clinical graph then learns a further correction from age, sex, stage, T and N. Five-fold patient-level evaluation covered eight TCGA and CPTAC cohorts with 2,364 patients. Mean validation-selected C-indices for TopoHyperClinicalGraph versus pathology-only spatial PatchGCN were 0.7563 versus 0.7386 in COADREAD, 0.6220 versus 0.5998 in HNSC, 0.6755 versus 0.6535 in BRCA and 0.6409 versus 0.6176 in STAD. CPTAC scores were 0.5984 in HNSC, 0.6060 in PDA, 0.8055 in CCRCC and 0.7192 in LUAD. CPTAC-HNSC used TCGA-initialized adaptation; other CPTAC backbones were trained within their cohorts. Geometry accounted for most pathology-only gains, with smaller persistence effects. Clinical graph fusion exceeded its matched node-wise control in five cohorts, tied in one and scored lower in two; clinical-only prediction exceeded fusion in three CPTAC cohorts. The framework supports separate evaluation of geometric, topological and clinical contributions. All scores were validation-selected; independent testing is needed to establish generalizability.