中国科学技术大学记者11月14日获悉，苏州高等研究院、生物医学工程学院周绍华教授领导的团队提出了一种新方法，愉快地缩小了病理图像与基因表达数据之间的“语义差距”，进行癌症生存预测。研究成果发表在《IEEE Transactions on Pattern Analysis and Machine Intelligence》上。癌症生存测试是精准医学的关键组成部分，帮助医生制定个性化治疗计划。然而，传统的分析方法一直面临着“病理图像与基因表达之间交互不够顺畅”的问题。在过去的研究中，仅使用单一模式的基因表达数据或病理图像来预测生存往往无法充分反映癌症的复杂机制；已经尝试了一些方法来结合这两种模式，但仍然l 忽略了基因功能网络与图像病理区域之间的精细相关性，导致预测效果有限。为了解决这个问题，团队开发了新的“路径感知多模态转换器（PAMT）框架”，分三步实现多模态数据精细保存和融合的协调。研究发现，PAMT不仅是残差预测效果，而且在膀胱癌、肺鳞癌、肺腺癌这三个癌症数据集上具有显着超过现有基本方法的生存预测性能，并表现出良好的“可解释性”。 PAMT可以帮助病理学家快速筛选影响生存的关键生物学通路，定位病理图像中受通路影响的区域，以及与预后相关的病理图像特征。据悉，团队搭建了公共网站，直观展示186条生物通路在全切片病理不同区域的作用逻辑图像，为科学研究和临床实践提供直接帮助。 （记者陈弯弯）