膀胱癌、肾癌、前列腺癌等泌尿系肿瘤临床诊疗中，影像、病理、多组学、检验数据长期碎片化割裂，导致诊断不一、分型不准、预后评估偏差大，单模态分析更难满足精准诊疗需求。

近日，四川肿瘤医院科研团队在国际顶级医学信息学期刊《npj Digital Medicine》（IF=15.1）发表重磅多组学多模态深度学习研究，构建UroFusion-X 统一框架，首次实现泌尿系肿瘤的诊断、分子分型、预后预测一体化AI 建模，缺模态仍能保留 90% 以上性能，为临床医生发多组学 + AI 融合类高分论文提供了可直接复刻的顶刊范式。

文章信息速览

• 原标题：UroFusion-X: a unified multimodal deep learning framework for robust diagnosis, subtyping, and prognosis of urological cancers

• 期刊：npj Digital Medicine（IF=15.1）

• 关键词：泌尿系肿瘤、膀胱癌、肾癌、前列腺癌、多组学、多模态深度学习、影像组学、病理组学、基因组学、门控专家融合、缺模态鲁棒性、预后预测、分子分型

研究背景与临床痛点

数据割裂：影像、病理、多组学、检验数据碎片化，临床决策一致性差；

单模态局限：单一影像 / 病理 / 组学模型无法利用互补信息，泛化性差；

缺模态崩盘：临床常缺某项检查，传统融合模型性能急剧下降；

可解释性差：多数 AI 模型无跨模态可解释性，临床信任度低；

预后不准：现有临床评分（CAPRA-S、SSIGN、EORTC）区分度有限，精准分层不足。

研究核心亮点

这篇顶刊研究以「临床痛点→模型构建→多维度验证→临床落地」为逻辑，用多组学 + 多模态深度学习完美契合医学 AI 顶刊发文思路，关键结果均有图表支撑：

多模态融合建模，诊断 / 分型性能全面超越单模态（图 1a）UroFusion-X 融合 3D 影像、病理、多组学、临床数据，膀胱癌 AUROC 达 0.92、肾癌 0.90、前列腺癌 0.88，较单模态模型提升 6-10 个百分点；分子分型 F1 值最高 0.88，远超传统融合方案。

跨中心泛化性极强，LOCO 验证仅降 2-6%（图 1b）采用留一中心法（LOCO）外部验证，模型在不同医院、不同设备、不同数据分布下，AUROC 仅下降 2-6%，远优于单任务模型的 2-12% 降幅，可直接跨院部署。

图1

多任务联合学习，诊断 / 分型 / 预后三效提升（图 1d、图 2）同步优化诊断、分型、预后三大任务，共享 65% 任务无关特征，诊断准确率提 3-5%、分型提 2-4%、生存 C-index 提 0.03-0.05，梯度稳定性提升 40%。

图2

门控融合 + 模态丢弃，缺模态仍稳保 90% 性能（图 3、图 4）创新门控专家融合（PoE）+ 模态丢弃训练，缺失任一模态时，AUROC 仅降 2-4%，平均降解仅 2.8%，远低于简单拼接的 8.5%，病理 / 影像 / 组学缺项都不影响核心判断。

图3

图4

预后分层精准清晰，显著优于临床传统评分（图 5）模型对三类泌尿系肿瘤实现高低危清晰分层，膀胱癌 C-index 0.75、肾癌 0.73、前列腺癌 0.71，较 CAPRA-S、SSIGN、EORTC 提升 10-15 个百分点，高危组生存期差异极显著（p<0.001）。

图5

决策曲线证实临床价值，净收益直接翻倍（图 3a）50% 风险阈值下，模型净收益 0.18，是临床评分的 2 倍，假阳性率从 22-25% 降至 12%，每 1000 例患者可减少 100-130 例过度治疗，临床实用性拉满。

总结：多组学 + 多模态 AI，泌尿系肿瘤高分论文范式

该联合科研团队依托多组学 + 多模态深度学习技术，构建 UroFusion-X 一体化框架，完美解决泌尿系肿瘤数据割裂、缺模态失效、预后不准三大临床痛点，模型兼具高准确率、强泛化性、高可解释性与真实临床收益。

研究从临床实际问题出发，以多组学多模态数据为核心，用严谨的模型设计、多中心外部验证、缺模态模拟、临床决策曲线分析，完整走完「基础建模→性能验证→临床转化」全流程，为泌尿外科、肿瘤科医生做 AI + 多组学高分论文提供了可参考的设计思路与实验方案。

原文DOI: 10.1038/s41746-025-02295-6