（来源：安徽新闻网）
转自：安徽新闻网
本网讯（记者 陈婉婉）记者11月14日从中国科学技术大学获悉，该校苏州高等研究院、生物医学工程学院周少华教授团队提出一种新方法，突破性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，为精准『肿瘤』诊治铺平道路。研究成果已发表于《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。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，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。
