用于生存预测的锚点驱动多模态多尺度专家选择

基于摘要分析。该研究针对癌症生存预测中 Whole-Slide Images（WSIs）与转录组特征语义不匹配、病理图像不同组织尺度被统一处理的问题，提出 Anchor-driven Multi-modal Multi-scale Expert Selection（AM²ES），将显式跨模态对齐与患者自适应的多尺度专家选择结合。 机制上，Anchor-driven Multi-modal Fusion（AMF）引入可学习语义锚点，作为转录组特征与多尺度病理表征之间的跨模态中介，通过结构正则化对齐建立共享语义空间。其上的 Hierarchical Mixture-of-Experts（H-MoE）将选择过程分为两级：Intra-scale Expert Filtering 在各放大倍率内识别显著肿瘤区域；Inter-scale Hierarchy Routing 动态加权并选择信息量较高的分辨率层级。阅读重点是对齐与路由如何协同，而非仅将两类特征投影后融合；具体正则项、专家结构、训练损失和推理流程尚未验证。 作者报告，在多个 TCGA 癌症队列上的实验达到最先进性能，并通过可视化特定分子通路如何影响跨组织尺度的专家路由提供细粒度解释。摘要未给出队列名称、样本量、数据划分、评价指标、对照基线或数值，因而无法核对效果幅度及适用范围；实验协议、消融及统计信息尚未验证。代码声明为将发布，不等于当前已可获取。 平台推测（待验证）：若 EEG 与另一模态具有配对记录，并可构建有意义的多尺度表征，语义锚点可能用于缓解模态错配，分层路由可能用于选择不同时间尺度的信息。此假设依赖配对监督或其他对齐约束及足够训练数据；可复用的是锚点中介与分层选择思想，病理区域编码器及尺度定义需改造。低信噪比、通道差异、跨被试变异和小数据可能使路由学习到伪相关。一个可证伪的小实验是在固定 Cross-subject 划分下，对比直接融合、仅锚点对齐及完整分层路由，并检查模态扰动后性能与路由稳定性。已有 EEG 相关工作尚未检索确认。