STARAPTOR：多中心肾脏病理图像数据协调与移植预后预测

STARAPTOR项目针对多中心肾脏病理图像数据的批次效应问题（跨机构扫描仪、染色协议差异导致的系统性偏差），系统对比六种数据协调方法，发现ComBat方法表现最优，显著提升机器学习模型对肾移植预后（eGFR、DGF）的预测准确性，为多中心医疗AI研究提供方法论模板。

单一机构数据集样本量有限，多中心合作成必然选择，但不同医院技术差异（扫描仪、组织处理、染色协议）引入批次效应，掩盖真实生物学信号。肾脏病理尤其敏感：供体活检WSI需精确量化特征预测移植预后，但加州大学戴维斯分校、科英布拉大学、梅奥诊所的数据直接混合训练会让模型学习机构伪影而非病理模式。STARAPTOR项目为此评估六种协调方法。

数据来源与预测目标

• 数据：UC Davis、科英布拉大学、梅奥诊所的供体肾活检WSI病理组学特征（165个匹配特征）
• 预测终点：移植后12个月eGFR（回归）、DGF（分类）

六种协调方法

方法	原理	适用场景
Unharmonized	原始数据无协调	基线对照
Z-Score	特征标准化（零均值单位方差）	简单线性偏移校正
RAVEL	基于参考变量线性调整	已知批次相关变量
CORAL	相关对齐（二阶统计量匹配）	特征协方差结构差异
CovBat	协变量自适应批次校正	复杂非线性批次效应
ComBat	经验贝叶斯批次校正	经典批次效应去除

汇总数据实验

• eGFR预测：XGBoost+ComBat（MSE 239）较未协调（353）降32.3%
• DGF预测：XGBoost+ComBat（AUC 0.961）较未协调（0.699）升37.5%

LOO交叉验证（泛化测试）

• eGFR：XGBoost+LOO ComBat（MSE372）较未协调（499）降25.5%
• DGF：XGBoost+LOO ComBat（AUC0.829）较未协调（0.605）升37.0%

关键发现：ComBat/CovBat最稳定；XGBoost获益最大；协调需在推理时应用（Harm→Raw表现更差）

可复现管道步骤

步骤	脚本	功能
1	01_preprocess_data.py	加载数据、聚合受试者、计算结局
2	02_prepare_features.py	匹配特征、对齐命名、插补缺失值
2.5	02.5_alt_harm_methods.py	Z-Score/CORAL等协调
2.5	02.5_harmonize.Rmd	ComBat/CovBat协调（R包）
3	03_loo_combat.py	LOO ComBat+模型训练
3	03_train_models.py	全场景训练
3.5	03.5_mrmr_feature_selection.py	特征选择优化
4	04_process_results.py	结果汇总
5	05_visualize.py	生成图表

环境配置

• Python：预处理、ML建模
• R：ComBat/CovBat（ComBatFamQC包）
• 需config.py指定数据路径

ComBat表现最优原因

1. 经验贝叶斯框架处理小样本批次
2. 保留生物信号
3. 参数可迁移（LOO验证）

临床AI部署启示

1. 数据协调是多中心研究必需
2. 方法选择需匹配数据特性
3. LOO验证更严格评估泛化能力
4. 协调参数可迁移至新机构

局限性

• 样本量有限
• 依赖预定义病理组学特征
• 未覆盖新兴深度学习协调方法

未来方向

• 整合深度学习特征与ComBat协调
• 开发病理图像专用协调方法
• 建立多中心数据标准化采集协议
• 探索其他器官移植适用性

STARAPTOR项目证明数据协调在多中心医学AI中的核心作用：ComBat方法最优，显著提升肾移植预后预测准确性，即使跨中心泛化也保持优势。该研究为多中心影像AI提供方法论模板，数据协调将是临床部署中确保模型可靠与公平的关键环节。