近日，东南大学器官芯片研究院院长、江苏运动健康研究院院长顾忠泽教授团队携手丘成桐院士团队，在计算病理学领域取得重要突破，研发出基于几何表面参数化的多组学预测技术。该技术能有效提升结直肠癌等实体瘤的组织分型与分子标志物预测准确率，有望成为人工智能在病理图像分析领域的新引擎。相关成果以“Predicting Multiomics Histopathology Features with Surface Parameterizations”为题发表在中国工程院院刊《Engineering》上。
该项工作由东南大学、南京应用数学中心、清华大学、江苏省人民医院、江苏运动健康研究院、上海市数学与交叉科学研究所等联合完成。
随着AI技术在病理诊断中的广泛应用，如结直肠癌微卫星不稳定性（MSI）和分子亚型（CMS）的预测，研究者发现，现有算法多建立于自然图像领域，其处理不规则病理图像的能力有限，尤其是在面临病灶区域不平衡和感兴趣的组织类别稀少的情况下，预测性能大打折扣。
针对这一挑战，科研团队基于丘成桐院士创立的计算共形几何理论，引入“表面参数化”（surface parameterization）方法，并结合共形能量最小化（CEM）与拉伸能量最小化（SEM）两种快速几何算法，将复杂的病理切片转化为规则正方形图像。此举在保留关键信息的同时，融入多尺度与各向异性特征，不仅显著提升了神经网络对肿瘤特征的学习能力，还在微卫星不稳定性（MSI）预测任务中将AUC从0.70提升至0.87。
团队在573名结直肠癌患者的1802张切片上验证了该方法的多组学预测能力，涵盖KRAS/BRAF突变状态、CMS亚型以及预后生存分析。其中，BRAF突变预测准确率提升至90%，在低样本、稀有亚型等场景下依然表现优异。作为技术外延，研究者还构建了类器官形态与CMS亚型的关联模型，发现囊泡状类器官显著关联于CMS3亚型，为类器官药效评估与分型鉴定提供了新思路。
该方法具备高通量、低样本依赖、跨癌种可推广等优势，已在肺癌、肾癌、乳腺癌转移等病理图像分析中验证有效。未来，团队将进一步优化形变控制与变换尺度，提升算法稳定性与可解释性。业内专家认为，这一融合几何计算与深度学习的方法，有望成为多组学病理预测与类器官表型研究的双重关键技术，推动人工智能精准医疗迈向新阶段。
东南大学器官芯片研究院院长、江苏运动健康研究院院长顾忠泽教授、数学学院李铁香教授、丘成桐院士，以及江苏省人民医院刘云教授为论文的共同通讯作者；生物科学与医学工程学院博士生黄锴和谭忠恒为共同第一作者。该研究得到江苏省自然科学基金重大项目、国家自然科学基金、江苏省应用数学科学研究中心及上海市数学与交叉科学研究所的资助。