背景：透明细胞肾细胞癌（ccRCC）临床表现差异大，准确的分级对风险分层和治疗决策至关重要。传统分级依赖侵入性组织取样，存在患者负担和肿瘤异质性限制。
方法：我们提出 RCC-Align 框架，在训练阶段利用配对的全切片组织病理图像（WSI）和计算机断层扫描（CT）实现跨模态对比学习。通过构建对比损失，使显微组织形态中的分级判别信息迁移到宏观放射特征上。模型在 TCGA 与 CPTAC 的配对数据集上进行患者层面的五折交叉验证，评估指标包括 AUC、AUPRC、以及低/高等级的统计显著性（p 值）。对齐效果通过余弦相似度进行量化。
结果：RCC-Align 在低/高等级分类上取得 AUC=0.601（95% CI: 0.524‑0.673）和 AUPRC=0.599（95% CI: 0.541‑0.676），显著优于仅使用 CT 的 DINOv2‑Finetuned（AUC=0.545，AUPRC=0.543），低等级预测提升显著（p=0.004）。相较基线模型，RCC-Align 的配对 WSI‑CT 嵌入余弦相似度更高。参考的 WSI‑基准模型 GigaPath‑Finetuned 达到 AUC=0.719。
结论：通过病理引导的跨模态对比学习，可在仅使用 CT 的推理阶段提升 ccRCC 的非侵入性分级性能，为活检风险高或组织异质性大的临床场景提供补充。后续需在更大规模、多机构外部数据集上验证其临床可行性。
点评