新方法更准确地预测癌症生存

记者14日获悉，中国科学技术大学、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更准确、可解释的多模态癌症生存分析新方法，使癌症生存预测更加准确。
报告称，这一进展缩小了病理图像和基因表达数据之间的“语义差距”，使癌症生存预测更加准确和可解释。这不仅可以让更多的癌症患者受益于精准治疗，而且可以防止过度治疗，优化医疗资源配置，为肿瘤的精准诊疗铺平道路。该研究成果近期发表在 IEEE Transactions on Pattern Analysis and Machine Intelligence 上。
癌症生存分析是精准医疗的关键环节，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相互作用不充分、细致的问题。
为了解决这个问题，研究团队开发了一种新的路径感知多模态转换器（PAMT）框架，可以通过三个步骤实现多模态数据的详细交互和融合。
第一步是实现单峰数据内的“信息共享”，利用自注意力机制在生物通路和病理图像块之间充分传输信息。第二步是使用新的不配对标签比较学习方法来对齐生物通路和病理图像块的语义信息，以确保两者“说同一种语言”。第三步，遵循“基因型决定表型”的医学先验，以生物学途径为指导，实现两类数据的精准融合，真正捕捉癌症发生发展的核心关联。
这项研究发现PAMT不仅具有优异的预测效果，而且在膀胱癌、肺鳞癌、肺腺癌三种癌症数据集上具有远远超过现有常规方法的生存预测性能，并表现出优异的“可解释性”。 PAMT 使病理学家能够使用全切片病理图像快速检测影响生存的关键生物途径。它有助于识别通路的受影响区域并从相关病理图像中提取与预测相关的特征。据报道，研究小组创建了一个公共网站，直观地展示全断面病理图像每个区域的 186 条生物通路的影响。 （记者吴兰）