MORPHEUS：癌症生物学的多模态预训练新范式

本文介绍MORPHEUS项目，这是首个专为癌症生物学设计的多模态预训练策略，通过掩码建模实现组织病理学与分子谱数据的统一表征学习。关键词：多模态学习、癌症生物学、组织病理学、组学数据、掩码建模、精准医疗。

癌症作为全球第二大死因，其研究和诊疗的复杂性一直是医学界的重大挑战。传统癌症研究方法依赖单一模态数据（组织病理图像或分子层面信息），但癌症是多维度复杂疾病，单一视角难以捕捉全貌。近年来AI在医学影像和组学数据分析中潜力巨大，但多数模型针对单一数据类型设计，如何融合病理图像视觉特征与分子谱生物学信息成为计算肿瘤学关键难题。

MORPHEUS项目提出首个专为癌症生物学量身定制的多模态预训练策略，借鉴自然语言处理和计算机视觉领域的掩码建模思想，创新性应用于癌症多组学数据的统一表征学习。项目名称取自希腊神话梦神，寓意从多种数据源“重构”完整生物学图景，核心机制是通过掩码部分输入数据，训练模型从剩余信息推断重建隐藏部分。

掩码多组学建模：预训练阶段随机掩码RNA表达、DNA甲基化（DNAm）、拷贝数变异（CNV）等分子谱数据的一部分，利用组织病理学图像（WSI）辅助重建被掩码的组学特征，体现病理图像形态学信息与分子改变的关联。基于UNI的病理特征提取：采用UNI（大规模病理图像自监督预训练模型）提取病理特征，但因UNI许可限制无法提供预训练权重，提供详细复现指南。灵活的下游任务适配：预训练编码器可适配生存分析、癌症亚型分类、少样本学习、组学重建等多种下游任务。

MORPHEUS提供详尽数据预处理指南：病理图像数据需从HuggingFace下载UNIv2预提取的病理图像块特征（已转换为嵌入向量）；分子组学数据从公共数据库获取（RNA表达来自USCS Xena，DNA甲基化和CNV来自GDC Data Portal），引用MultiSurv和DRIM项目预处理流程。

精准医疗的组学重建：从病理图像重建分子谱，为成本高昂或技术不可行的分子检测提供经济高效替代方案；少样本癌症亚型分类：在罕见癌症或新亚型标注数据稀缺场景下实现准确分类；多模态融合的生存预测：结合病理图像与分子谱信息构建更准确的生存预测模型，改善预后评估体系。

当前局限：因UNI许可限制无法提供预训练权重；生物数据下载预处理对非专业用户有门槛；多模态预训练需大量计算资源。未来展望：扩展到更多组学模态（蛋白质组、代谢组）；整合临床信息（病史、治疗方案）；开发轻量级推理版本用于临床部署；建立多中心验证评估泛化能力。