[论文解读] Efficient AI-Driven Multi-Section Whole Slide Image Analysis for Biochemical Recurrence Prediction in Prostate Cancer

Yesung Cho, Dong-Myung Shin+6 more|arXiv (Cornell University)|Mar 17, 2026

AI in cancer detection被引用 0

一句话总结

本文提出一个AI框架，分析多-section病理全切片图像以预测前列腺切除术后的生化复发（BCR），在1年和2年的预测性能上表现出色，并在一个大型多切片数据集上进行了外部验证。

ABSTRACT

Prostate cancer is one of the most frequently diagnosed malignancies in men worldwide. However, precise prediction of biochemical recurrence (BCR) after radical prostatectomy remains challenging due to the multifocality of tumors distributed throughout the prostate gland. In this paper, we propose a novel AI framework that simultaneously processes a series of multi-section pathology slides to capture the comprehensive tumor landscape across the entire prostate gland. To develop this predictive AI model, we curated a large-scale dataset of 23,451 slides from 789 patients. The proposed framework demonstrated strong predictive performance for 1- and 2-year BCR prediction, substantially outperforming established clinical benchmarks. The AI-derived risk score was validated as the most potent independent prognostic factor in a multivariable Cox proportional hazards analysis, surpassing conventional clinical markers such as pre-operative PSA and Gleason score. Furthermore, we demonstrated that integrating patch and slide sub-sampling strategies significantly reduces computational cost during both training and inference without compromising predictive performance, and generalizability of AI was confirmed through external validation. Collectively, these results highlight the clinical feasibility and prognostic value of the proposed AI-based multi-section slide analysis as a scalable tool for post-operative management in prostate cancer.

研究动机与目标

• 在多发性肿瘤的情况下，推动对前列腺根治手术后生化复发（BCR）的准确预测。
• 开发一个AI框架，处理多张病理滑片以捕捉前列腺的完整肿瘤景观。
• 评估1年和2年的BCR预测性能，并与临床基准进行比较。
• 评估AI衍生风险分数在多变量预后模型中的统计独立性。
• 通过patch和slide子采样在不牺牲性能的前提下展示计算效率。）

提出的方法

• 处理一系列多-section病理滑片以捕捉全面的肿瘤景观。
• 在来自789名患者的23,451张滑片的大规模数据集上训练AI模型。
• 评估1年和2年的BCR预测性能与既有临床基准进行比较。
• 显示AI衍生风险分数在多变量Cox模型中是强有力的独立预后因素。
• 结合patch和slide子采样策略以降低训练和推断成本。
• 通过外部验证验证泛化能力。

实验结果

研究问题

• RQ1 多-section WSI分析是否可以在1年和2年的BCR预测方面优于传统临床标志物？
• RQ2 AI衍生的风险分数是否在多变量Cox分析中为独立预后因素？
• RQ3 patch和slide子采样是否在降低计算成本的同时保持预测性能？
• RQ4 模型是否能推广至超出训练队列的外部数据集？

主要发现

• 该框架在1年和2年的BCR预测中表现出色。
• AI衍生的风险分数在多变量Cox分析中成为最强的独立预后因素，优于术前PSA和Gleason评分。
• 外部验证证实了该AI方法的可推广性。
• patch和slide子采样显著降低了训练和推断的计算成本，而未降低性能。
• 研究使用了来自789名患者的23,451张滑片的大规模数据集。
• 该方法被认为在前列腺癌术后管理方面具临床可行性。