国内AI医疗创新成果：医学图像预训练、癌症预后分析双管齐下！

"人工智能技术的进步将为医疗健康领域带来前所未有的革命。"--比尔·盖茨。近年来，国家政策对人工智能技术应用的重视，为AI医疗的蓬勃发展提供了坚实支撑。国家卫生健康委员会于2024年11月印发了《卫生健康行业人工智能应用场景参考指引》，旨在加快推进人工智能在医疗领域的深度应用，促进医疗服务质量和效率的提升。中国作为全球AI医疗技术的重要推动者，近年来不断涌现出前沿成果，推动着医疗行业迈向更高水平。

成果一：浙江大学运用AI进行医学图像预训练，突破数据壁垒

浙江大学胡浩基团队联合微软亚洲研究院，提出了一种全新的统一医学图像预训练框架UniMedI，旨在解决医学图像数据异构化带来的整合难题。根据团队发表的研究论文《Unified Medical Image Pre-training in Language-Guided Common Semantic Space》所述，的通过以诊断报告为公共语义空间，UniMedI为不同模态的医学图像（如2D的X光片和3D的CT、MRI扫描图像）创建了统一的表示，从根本上提升了异构数据的兼容性与利用效率。UniMedI在多个医学任务中展现了卓越的性能，在医学图像分类、分割和检索方面，其表现显著优于现有方法。UniMedI在视觉语言对比学习（VL）框架的基础上，通过引入创新的"伪配对"（Pseudo-Pairs）技术，使得2D和3D图像可以被映射至统一的特征空间。这种跨模态整合方法利用诊断报告中的语言信息指导模型的注意力机制，从3D图像中提取与报告最相关的2D切片，并通过这些切片桥接2D与3D数据间的差距，增强了不同模态图像的一致性。这种方法不仅能够高效利用有限的医学数据，还显著提升了模型的泛化能力。【1】

UniMedI的突破性研究为AI在医学图像处理领域的广泛应用奠定了坚实基础。未来，该框架可以广泛应用于疾病诊断、临床辅助决策和医学教育。例如，医院可以利用UniMedI构建跨模态的影像数据平台，为医生提供更高效的诊断支持。此外，UniMedI在医学研究领域的潜力也值得期待，它将帮助研究者更快地发现复杂病变特征，推动疾病诊断与治疗方案的精准化发展。

成果二：上海交通大学研发癌症预后深度学习系统IGI-DL

癌症预后分析是优化患者治疗方案的关键手段之一。针对传统空间转录组学技术（ST）高昂的成本和较长的实验周期问题，上海交通大学俞章盛课题组、王宇光课题组及其团队，开发了一种基于深度学习的创新系统--IGI-DL。根据研究团队2024年发布于《Cell Reports Medicine》的论文《Harnessing TME depicted by histological images to improve cancer prognosis through a deep learning system》指出，该系统利用低成本、易获取的H&E染色组织学图像，通过深度学习技术实现肿瘤微环境（TME）的精确表征，为癌症预后分析提供了新的技术路径。IGI-DL系统的核心是整合卷积神经网络（CNN）与图神经网络（GNN）的优势，建立了一个创新性的多步骤模型体系，主要包括三个核心部分：图像预处理与patch分割，空间基因表达预测以及生存预测模型的构建。

图像预处理与patch分割通过对H&E染色组织学图像的分割，将每个组织样本划分为200×200像素的patch，便于后续的模型处理。IGI-DL系统通过预测每个patch的基因表达水平，将组织图像的像素强度和形态结构特征映射至基因空间表达。这一过程结合了卷积神经网络的特征提取能力和图神经网络的结构化建模能力。基于预测的空间基因表达信息，研究团队设计了super-patch graph模型，用于分析患者的癌症风险和生存预后。通过将基因表达数据与患者临床特征相结合，该模型显著提高了预后预测的准确性。【2】

IGI-DL模型的性能在多个癌症类型的样本中得到了验证。研究团队使用了结直肠癌（CRC）、乳腺癌（BRCA）和皮肤鳞状细胞癌（cSCC）三个癌种的组织样本，并通过对比实验证明了其卓越表现。

例如在结直肠癌（CRC）的数据集分析中，IGI-DL预测的179个基因的相关性达到了平均0.343，较其他5种现有模型提升了0.233。这一结果表明IGI-DL在该癌种中对空间基因表达的预测能力遥遥领先。此外，IGI-DL系统在外部测试集中的表现同样优异。例如，在包含超过1000名患者数据的MCO-CRC测试集中，生存预后模型仍保持较高的准确性和一致性，进一步证明了其可靠性和实用性。

IGI-DL的创新不仅在于其显著提高了癌症预后分析的精度，还为传统昂贵的空间转录组学技术提供了更具成本效益的替代方案。尽管IGI-DL目前主要用于癌症预后分析，但其核心技术--基于组织病理图像预测空间基因表达的能力，也可以进一步扩展至癌症早期筛查。通过结合影像分析和风险预测模型，IGI-DL有潜力成为资源有限的医疗环境中低成本、高精度的早期癌症检测工具。

写在最后

浙江大学的UniMedI框架成功突破了医学图像异构化的技术壁垒，为跨模态医学数据的整合与利用提供了高效解决方案；上海交通大学的IGI-DL系统在癌症预后分析中实现了深度学习的创新应用，以更低的成本提高了精准预测能力。

这些成果不仅展现了中国AI医疗领域的技术实力，也为全球医疗行业提供了更具可行性和普适性的应用模式。随着AI医疗的持续发展，未来可期的AI医疗时代正加速到来。

参考文献：

【1】He, Xiaoxuan, Yifan Yang, Xinyang Jiang, Xufang Luo, Haoji Hu, Siyun Zhao, Dongsheng Li, Yuqing Yang, and Lili Qiu. "Unified Medical Image Pre-training in Language-Guided Common Semantic Space." arXiv preprint arXiv:2311.14851, 2023. https://doi.org/10.48550/arXiv.2311.14851

【2】Gao, R., Yuan, X., Ma, Y., Wei, T., Johnston, L., Shao, Y., Lv, W., Zhu, T., Zhang, Y., Zheng, J., Chen, G., Sun, J., Wang, Y. G., & Yu, Z. (2024). Harnessing TME depicted by histological images to improve cancer prognosis through a deep learning system. Cell Reports Medicine, 5(5), 101536. https://doi.org/10.1016/j.xcrm.2024.101536