研究

ImmuneWorld 是首个基于基础模型的肿瘤免疫微环境"世界模拟器"——我们首次将 TIME 动力学建模为世界模型问题，用轨迹感知 Transformer 在 1,240 万单细胞上进行自回归预训练，跨 7 种癌症、14 个独立临床队列系统验证，在 4 个下游任务上全面超越 10 个 SOTA 基线（scGPT、scFoundation、GEARS、VCWorld 等）。

核心贡献

• 首次将 TIME 动力学建模为"世界模型"问题，提出 12 层轨迹感知 Transformer（68M 参数 + FlashAttention-2）
• 轨迹感知注意力引入可学习时间衰减偏置，细胞状态转移 Pearson r 从 scGPT 的 0.554 提升至 0.914（+65% 相对提升）
• 跨癌种迁移模块采用梯度反转对抗训练，ICB 响应预测 AUC 从 0.762 提升至 0.891（跨 14 个独立队列、7 种癌症类型）
• 轨迹重构 DTW 较 UniTVelo 提升 24.7%，细胞类型解卷积 F1 较 CIBERSORTx 提升 19.3%
• Perturbation Engine 通过交叉注意力模拟反事实免疫轨迹，Perturb-Seq 任务较 GEARS 提升 37.2%
• 推理速度 14,200 cells/s — 较 scGPT 快 2.8×、较 UCE 快 11.6×；单 RTX 3090 即可部署（6.2 GB 显存）

RST2G 是首个将残差引导时空 Transformer 与图融合机制同时用于 DCE-MRI 乳腺肿瘤分割的 4D 框架。通过显式利用造影前 MRI、造影后 MRI 及其残差差异，捕获肿瘤在对比增强序列中的精细时间动力学；在 Breast-MRI-NACT-Pilot 和 TCGA-BRCA 两个公开数据集上系统超越 10 种 2D / 3D / 4D 基线方法。

核心贡献

• CFormerEncoder：权重共享的 CNN + Vision Transformer 双分支混合编码器，同时捕获局部纹理与全局语义
• 残差引导多尺度精炼（MSR）模块：用 Pre/Post-contrast 残差图引导空间注意力重标定
• 时空图融合机制：层间注意力（ISA）建模切片空间依赖，时间间注意力（ITA）建模对比相变化
• Breast-MRI-NACT-Pilot 上 DSC 61.8% vs 第二名 MultiResUNet 55.6%（+6.2 个百分点）
• TCGA-BRCA 上 DSC 80.1% vs 第二名 MTLN 73.5%（+6.6 个百分点）
• 跨 2D / 3D / 4D 共 10 个 SOTA 基线全面胜出，在 2 张 V100 GPU 上端到端训练

PDF DOI