全切片图像的表征学习在基于图神经网络的自动化生存预测中至关重要.全切片图像中存在的多分辨率信息，包括细胞表型等细粒度细节和组织结构及全局微环境等粗粒度特征，在临床实践中被全面考虑以进行综合分析.然而，现有的基于图神经网络的生存预测方法主要依赖于单分辨率图像.为了解决这一问题，本文提出了一个名为PGT(Pyramid Graph Transformer)的新型生存预测框架. PGT在任何分辨率下将全切片图像分层分解并建模为独立且异构的图，捕获并整合从局部到全局的图表示，以实现更准确的预测.本文在5种不同癌症类型的公共TCGA数据集上验证了本文提出的框架.实验结果表明，PGT显著优于最先进的模型，并展现出强大的泛化能力和患者分层能力.