中國教育報-中國教育新聞網訊（記者 方夢宇）近日，中國科學技術大學蘇州高等研究院、生物醫學工程學院周少華教授團隊，提出更精準且可解釋的多模態癌癥生存分析新方法。這一突破性進展縮小了病理圖像與基因表達數據的“語義鴻溝”，讓癌癥生存預測更精準且可解釋，不僅能讓更多癌癥患者從精準治療中獲益，還可以避免過度治療，助力醫療資源最優配置，為精準腫瘤診治鋪平道路。研究成果發表于《IEEE模式分析與機器智能匯刊》。

癌癥生存分析是精準醫學的關鍵環節，它能幫助醫生制定個性化治療方案，但傳統分析方法一直面臨“病理圖像和基因表達之間細粒度交互不足”的難題。過去的研究當中，僅用基因表達數據或病理圖像單一模態預測生存，往往無法完整反映癌癥的復雜機制；部分方法曾嘗試結合兩種模態，但依然忽略了基因功能網絡與病理圖像區域之間的細粒度關聯，導致預測效果受限。

為解決這一問題，團隊開發出全新的“通路感知多模態Transformer（PAMT）框架”，通過三步實現多模態數據的細粒度交互和融合。第一步，先讓單模態數據內部“信息交流”，利用自注意力機制讓生物通路間、病理圖像塊間充分傳遞信息；第二步，通過全新的無配對標簽對比學習方法，讓生物通路和病理圖像塊的語義信息對齊，確保兩者“說同一種語言”；第三步，遵循“基因型決定表型”的醫學先驗，以生物通路為指導，實現兩種數據的精準融合，真正捕捉到癌癥發展的核心關聯。

研究發現，PAMT不僅預測效果突出，在膀胱癌、肺鱗癌、肺腺癌三種癌癥數據集上，其生存預測性能均顯著超過現有主流方法，并且展現出了優秀的“可解釋性”。PAMT能夠協助病理醫生快速篩選影響生存的關鍵生物通路、定位全切片病理圖像中受通路影響的區域，并挖掘與預后相關的病理圖像特征。據悉，團隊已搭建公開網站，可視化展示186條生物通路對全切片病理圖像各區域的影響，為科研和臨床提供直接助力。