What Carries the Signal in Pathology Foundation-Model Atlases? A Patient-Level Controlled Benchmark in Breast Cancer

技术摘要：病理基础模型图谱中究竟承载了什么信号？

问题陈述
病理基础模型（如 UNI、CONCH、Virivores）被广泛报道能够编码组织形态学中的分子程序。然而，支持这些结论的证据通常依赖于全队列排序基因列表和“驱动基因计数”，而非对留出患者（held-out patients）的预测。这种报告惯例未能区分信号究竟是源于形态学表示、用于解码它们的几何机制，还是更简单的混杂因素（如组织组成或扫描仪伪影）。此外，先前的研究往往将成功归功于复杂的黎曼几何结构，却未经过严格测试来验证更简单的欧几里得方法或竞争基准是否能产生同等结果。

方法论
作者围绕一个患者级留出基准（patient-level held-out benchmark）重新评估了病理基础模型，该基准使用具有配对全切片图像（WSI）和 RNA-seq 数据的 285 例 TCGA-BRCA 患者数据。

1. 基准设计：

   • 证据单元： 患者是独立的单位。通过 GroupKFold（5 折）进行预测，确保训练与测试之间不存在患者数据泄露。
   • 任务： 使用岭回归（ridge regression）在平均池化嵌入上预测四个预设的基因程序评分（ER/luminal、增殖、基底、免疫）。
   • 对照组： 研究采用了“竞争模型对照套件”而非简单的随机置换零假设。每一项主要结论都针对以下内容进行了测试：
     • 仅含截距的底线模型（intercept-only floor）。
     • 仅凭组织组成（区室比例）。
     • 技术协变量（扫描仪分辨率、质量）。
     • 54 个可解释的细胞计数特征。
     • 对相同嵌入进行岭回归（以隔离复杂解码器的价值）。
   • 统计严谨性： 通过匹配置换零假设（10,000 次置换）评估显著性，该过程在置换标签后的相同流程上重新运行，并对所有 44 个实验单元（11 个骨干网络 × 4 个程序）进行 Holm–Bonferroni 校正。

2. 几何消融：

   • 研究通过比较完整流水线（度量张量、测地线路径）与仅含欧几里得的流水线，分离了黎曼几何的贡献。
   • 至关重要的是，作者识别了先前实现中的一个缺陷：测地线图通过欧几里得最近邻搜索选择邻居，然后 再对边进行重加权。这使得拓扑结构在构建上是欧几里得式的，导致度量失效。本研究测试了一个“一致性”实现，即通过黎曼距离选择邻居。

3. 图谱构建与分析：

   • 患者嵌入通过球面 k-means 被划分为重叠的坐标图（coordinate charts）。
   • k-NN 图连接图质心，并估计局部黎曼度量张量和标量曲率。
   • 基因发现通过三种模式进行：转换基因（chart 之间）、单调基因（沿测地线路径）以及相关性排序基因（针对图谱 PC1）。
   • 跨染料标准化、切片采样和超参数进行鲁棒性测试。

关键结果

• 患者级信号： 在平均池化嵌入上的岭回归预测留出程序评分的 Spearman $\rho$ 范围在 0.25 到 0.56 之间。UNI2 在所有程序中表现最强（例如，免疫程序 $\rho = 0.556$）。这些结果相对于匹配的置换零假设具有统计学显著性（$p \approx 10^{-4}$）。
• 信号来源（组成 vs. 形态）：
  • 对于 ER/luminal、增殖和免疫 程序，嵌入保留了超出组织组成的显著信号（较组成本身提升了 +0.280 至 +0.479）。
  • 对于 基底（basal） 程序，信号完全由组织组成解释。嵌入增加的价值无法检测到（已知癌细胞、间质和坏死比例后的 $\rho_{embed} = 0.493$ vs. $\rho_{comp} = 0.469$，$p=0.77$）。
  • 可解释特征： 54 个细胞计数特征达到的性能与基础模型仅差 0.043–0.085，这表明简单的、可审计的特征其性能接近高维嵌入。
• 几何机制是无效的：
  • 黎曼度量（在先前文献的实现方式下：欧几里得邻居选择 + 度量重加权）没有任何可测量的贡献 ($\Delta \rho = +0.0010$, 95% CI $[-0.0007, +0.0029]$)。
  • 当采用一致性应用时（按黎曼距离选择邻居），几何表现明显变差 ($\Delta \rho = -0.0117$)。
  • 在平均池化嵌入上的简单线性探针（岭回归）优于复杂的图与度量解码器（+0.097）。
• 驱动计数缺乏信息量： 研究表明，由于高 FDR 通过率（98.6%），91.8% 的随机六基因面板在该队列中都能恢复 $\ge 5/6$ 个“驱动基因”。因此，驱动基因计数不能作为区分流水线有效性的主要终点。
• 多分辨率与聚合： 多分辨率分析（细胞级、中观尺度、组织级）恢复了不同的基因集，但在患者级基准中并未建立预测优势。空间感知聚合方法（图注意力、top-k）产生了不同的基因集，但在预测意义上并未一致地优于平均池化。
• 临床关联： 仅 CONCH 骨干网络显示出与总生存期的统计学显著关联（C-index 0.734, $p=0.009$），但这并未提供超越 PAM50 亚型的预后价值。

意义与主张
论文得出结论，虽然基础模型嵌入确实携带了特定程序的真实患者级分子信号，但构建在其之上的几何装置（黎曼度量、测地线图）在当前实现中并无贡献。

• 信号： 生物信号存在于基础模型的表示本身，而非几何解码机制中。
• 基准： 简单的可解释特征（细胞计数）和组织组成是强力的竞争者；对于基底程序，组成完全解释了信号。
• 方法论修正： 本文识别出先前关于黎曼优越性的主张是实现过程中的伪影（欧几里得邻居选择掩盖了度量的效果）。一个一致的黎曼实现表现反而更差。
• 评估标准： 作者认为，全队列驱动计数是一种弱度量。他们倡导使用带有竞争模型基准的患者级留出基准，以区分真实的形态学信号与组织组成或扫描仪伪影。

这项工作作为一个“受控基准”，重新评估了该领域的主流范式，不仅对复杂几何解码器的效用给出了否定结果，也对基础模型嵌入上简单线性探针的鲁棒性给出了肯定结果。