新方法让癌症生存预测更精准
病理图像与基因表达数据之间的“语义鸿沟”被成功缩小，人工智能让癌症生存分析不再停留在传统统计模型。
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了一种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。
01 临床困境：癌症生存预测的挑战
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。
过去的研究中，仅使用基因表达数据（分子层面）或病理图像（细胞组织形态层面）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。
这一问题不仅影响预测准确性，也限制了这些方法在临床实践中的实际应用价值。
02 创新方案：通路感知多模态Transformer框架
为解决这一难题，研究团队开发了全新的 “通路感知多模态Transformer框架” 。
该框架通过三个精心设计的步骤实现多模态数据的细粒度交互和融合。
第一步，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，为后续的跨模态交互奠定基础。
第二步，语义信息对齐。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，以生物通路为指导的数据融合。遵循“基因型决定表型”的医学先验，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。
03 技术优势：可解释性与精准预测的统一
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”。
这一特性使得医生能够理解模型的决策依据，增加了临床应用的可行性。
团队已搭建公开网站，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。
这一创新不仅提供了预测结果，更揭示了影响生存风险的内在生物学机制，为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提供了有力工具。
04 医学价值：从精准预测到精准治疗
精准的生存预测有助于避免过度治疗或治疗不足。
对于预测生存期较长的患者，医生可以考虑采用更温和的治疗方案，减少不必要的治疗副作用。
相反，对于高风险患者，则可以采取更积极的治疗策略。
这一技术助力医疗资源最优配置，使有限的医疗资源更好地服务于真正需要的患者，提高整体医疗效率。
同时，该方法也为癌症生物学研究提供了新视角，通过揭示病理图像特征与分子通路之间的关联，促进了对癌症发生发展机制的理解。
05 行业进展：多模态融合的癌症生存分析前沿
在同一领域，其他研究团队也提出了创新方法。AHDSN方法利用混合深度顺序网络从多组学数据中预测癌症生存率，在五种多组学癌症数据集上取得了较高准确率。
ConSurv框架解决了持续学习中的灾难性遗忘问题，使模型能够适应不断变化的临床环境和连续的数据流。
而混合专家模型的研究则专注于提高生存预测的准确性和校准性，通过更灵活的专家网络提升个性化预测能力。
还有研究团队探索了微生物组-转录组-组织学三联体的多模态整合，发现在多种癌症中能增强生存风险分层能力。
在神经胶质瘤领域，GlioSurv通过整合多参数MRI、临床和分子变量以及治疗数据，实现了个性化生存预测。
这些研究共同推动了癌症生存预测领域的发展，为精准医疗提供了更多有力工具。
中国科大团队开发的通路感知多模态Transformer框架已在三种癌症数据集上显示出卓越性能，其预测准确性显著超越现有主流方法。
可视化网站已公开上线，任何医生或研究人员都可以随时查看186条生物通路对病理图像的影响，仿佛拥有了一本随时可翻阅的“癌症生存预测地图”。
随着更多医疗数据的积累和模型的进一步优化，这种结合病理图像与基因表达的方法，有望成为癌症精准医疗的标准工具。
|
|
|周边二手车|标签|新闻魔笔科技XinWen.MoBi - 海量语音新闻!
( 粤ICP备2024355322号-1|
粤公网安备44090202001230号 )
