TG-Mamba：基于文本引导的肿瘤突变负荷预测模型在肺癌免疫治疗响应评估中的突破性应用

本文推荐：作者团队创新性提出TG-Mamba模型，通过文本引导注意力机制（text-guided attention）与卷积增强状态空间模块（Conv-SSM）的协同作用，实现从H&E染色全切片图像（WSI）高效预测肿瘤突变负荷（TMB）。该模型在TCGA数据集上取得AUC 0.994（分类）和MAPE 0.25（回归）的卓越性能，为替代全外显子测序（WES）提供低成本解决方案，助力肺癌免疫治疗（ICPI）精准筛选。

　　

Highlight

本研究通过整合病理文本信息与视觉特征，开发了革命性的TG-Mamba框架。其核心创新在于：

• 首创临床文本引导的图像特征提取机制，使模型聚焦于与TMB相关的生物学行为特征

• 设计Conv-SSM混合模块，巧妙结合卷积神经网络（CNN）的局部特征捕获能力与状态空间模型（SSM）的全局依赖建模优势

• 在TCGA-LUAD队列中实现近乎完美的分类性能（AUC 0.994），回归误差低至0.25% MAPE

Discussion

肿瘤突变负荷（TMB）作为免疫检查点抑制剂（ICPI）疗效预测的关键生物标志物，其临床推广长期受限于全外显子测序（WES）的高成本。TG-Mamba通过三大突破化解这一困境：

1. 多模态融合：病理报告文本通过注意力机制动态指导图像特征提取，增强模型对肿瘤微环境异质性的解析能力

2. 计算革新：Conv-SSM模块在保持线性计算复杂度的同时，实现跨组织尺度的特征关联（从细胞核变异到间质分布）

3. 临床适配：仅需常规H&E染色切片即可预测TMB，使资源匮乏地区也能受益于精准免疫治疗

Conclusion

本研究突破性地证明：通过深度学习解析常规病理图像与结构化文本的协同信号，可替代90%以上的WES检测需求。TG-Mamba的轻量化架构（基于VMamba改进）特别适合部署于基层医疗机构，为扩大非小细胞肺癌（NSCLC）免疫治疗获益人群提供可推广的技术路径。