TIRA：用于零样本跨癌种 MSI 和 TMB 预测的肿瘤免疫表征适配

基于摘要分析。TIRA 针对病理模型跨形态差异较大的癌种预测 MSI-H 与 TMB-H 时泛化受限的问题，利用可能跨癌种保留的空间免疫模式，适配冻结的病理基础模型表征。该框架在模型开发阶段不需要目标域数据，也不进行测试时自适应。 机制上，TIRA 使用受拓扑监督的生物学表征调节图像块级注意力，但仅聚合形态特征进行 MSI 与 TMB 联合预测。其关键设计是让免疫空间信息参与特征选择，而非直接作为最终聚合的预测特征。摘要未说明拓扑监督的具体构建方式、损失形式及训练细节，尚不能判断收益来自何种模块。 作者在 TCGA-COAD+READ 上训练，在 CPTAC-COAD、TCGA-STAD、TCGA-UCEC 和 CPTAC-UCEC 上进行零样本评估，涵盖跨站点、跨癌种及跨癌种与站点联合分布偏移，并考察 UNI2、CONCH 和 Virchow2。作者报告，在 UNI2 表征下、以 TCGA-STAD 为零样本目标数据集时，MSI 的 AUROC 从 0.633 提升至 0.766，TMB 的 AUROC 从 0.651 提升至 0.772；摘要未明确对应基线的具体配置，不能外推为所有目标数据集或基础模型均有相同收益。实验协议、消融及统计信息尚未验证，复现还需核对样本划分、标签定义、拓扑提取流程与实现条件。 平台推测（待验证）：其可迁移假设是，以源域中较稳定的结构信息指导注意力，可能缓解 EEG 跨被试或跨会话的表征偏移；但病理免疫拓扑不等同于 EEG 通道或功能连接结构。可复用注意力条件化与特征聚合分离的设计，需重建 EEG 拓扑及监督信号。低信噪比、通道布局差异和小样本可能使拓扑不稳定。一个可证伪的小实验是：在不使用目标被试数据训练的条件下，对比冻结 EEG 表征的普通聚合、源域拓扑条件化聚合及打乱拓扑对照，检验跨被试收益是否依赖真实结构。相关 EEG 工作尚未检索确认。