近日，中国科学技术大学苏州高等研究院、生物医学工程学院周少华教授团队，提出更精准且可解释的多模态癌症生存分析新方法。这一突破性进展缩小了病理图像与基因表达数据的“语义鸿沟”，让癌症生存预测更精准且可解释，不仅能让更多癌症患者从精准治疗中获益，还可以避免过度治疗，助力医疗资源最优配置，为精准肿瘤诊治铺平道路。研究成果发表于《IEEE模式分析与机器智能汇刊》。
癌症生存分析是精准医学的关键环节，它能帮助医生制定个性化治疗方案，但传统分析方法一直面临“病理图像和基因表达之间细粒度交互不足”的难题。过去的研究当中，仅用基因表达数据或病理图像单一模态预测生存，往往无法完整反映癌症的复杂机制；部分方法曾尝试结合两种模态，但依然忽略了基因功能网络与病理图像区域之间的细粒度关联，导致预测效果受限。
为解决这一问题，团队开发出全新的“通路感知多模态Transformer（PAMT）框架”，通过三步实现多模态数据的细粒度交互和融合。第一步，先让单模态数据内部“信息交流”，利用自注意力机制让生物通路间、病理图像块间充分传递信息；第二步，通过全新的无配对标签对比学习方法，让生物通路和病理图像块的语义信息对齐，确保两者“说同一种语言”；第三步，遵循“基因型决定表型”的医学先验，以生物通路为指导，实现两种数据的精准融合，真正捕捉到癌症发展的核心关联。
研究发现，PAMT不仅预测效果突出，在膀胱癌、肺鳞癌、肺腺癌三种癌症数据集上，其生存预测性能均显著超过现有主流方法，并且展现出了优秀的“可解释性”。PAMT能够协助病理医生快速筛选影响生存的关键生物通路、定位全切片病理图像中受通路影响的区域，并挖掘与预后相关的病理图像特征。据悉，团队已搭建公开网站（http://222.128.10.254:18822/#/），可视化展示186条生物通路对全切片病理图像各区域的影响，为科研和临床提供直接助力。（工人日报客户端记者 陈华）
创通网配资提示：文章来自网络，不代表本站观点。
