近日，生命科学与技术学院饶妮妮教授团队围绕生物医学多模态数据融合、医学图像分割和癌症预后预测等前沿方向取得系列重要研究成果，接连在三本国际知名期刊上发表高水平学术论文，为智慧医疗和医学影像智能分析等领域提供了创新方法与技术支撑，进一步提升了学校在生物医学工程和医学人工智能交叉等领域的学术影响力。系列论文均以电子科技大学为第一单位，博士生高埂和张凯旋分别为第一作者，饶妮妮教授为唯一通讯作者，合作单位包括四川大学华西医院、四川省医学科学院·四川省人民医院。
论文《Multimodal Information Compression, Completion, and Adaptive Fusion for Cancer Survival Prediction》发表于Information Fusion。该期刊在计算机科学、人工智能与信号处理领域具有极高的学术影响力，重点刊发多源信息融合、多模态学习等方向的原创性重大成果。该论文针对当前基于医学图像与基因表达谱融合的癌症生存预测模型存在模态噪声冗余、临床数据模态缺失和不同模态贡献失衡三大痛点，创新性地提出了一种多模态信息压缩、补全与自适应融合框架 （图1）。该框架首先依托信息瓶颈原理设计模态内信息压缩模块，滤除与预后无关的干扰信号；其次构建双向交互级联残差自编码器，实现缺失模态的精准重建；最后设计模态间自适应融合策略，根据各分支预测置信度动态分配权重。研究团队在膀胱癌、乳腺癌、脑胶质瘤等5类公开癌症数据集上开展了充分验证，结果显示，相较于当前主流算法，该模型的一致性指数（C-index）提升2.0%、时间依赖曲线下面积（tAUC）提升2.2%。同时，消融实验、生存曲线分析与可解释性实验充分证实了各模块的有效性，该框架兼顾精度与临床实用性，可有效适配真实临床中数据不完整的场景，为癌症患者风险分层与个性化诊疗提供了可靠的智能分析工具。
图1 多模态信息压缩、补全与自适应融合框架
论文《Adaptive-PVT: Unlocking the power of adaptive mechanisms for medical image segmentation》发表于Knowledge-Based Systems。该期刊是人工智能、知识工程领域中的重要核心期刊，长期收录智能算法、图像分析、机器学习等高质量研究成果。针对医学图像分割普遍存在的细节丢失、病灶边界模糊、多尺度特征融合不充分等难题，该论文基于金字塔视觉Transformer（PVT）架构，研究了一种自适应医学图像分割网络 （图2）。其中，设计的自适应特征上采样与对齐模块可修复下采样丢失的空间细节，自适应边界增强模块借助可变形采样强化病灶轮廓特征，基于门控单元的自适应特征融合模块可筛选有效特征、抑制冗余信息。该分割网络经腹部器官、心脏结构、皮肤病变和结直肠息肉等不同器官/病灶医学图像分割任务测试，其戴斯系数（Dice）、95% 豪斯多夫距离（HD95）等核心指标均优于UNet、TransUNet、SwinUNet等主流分割模型。复杂度分析显示，该模型参数量与运算量合理，推理效率优异，兼顾分割精度与落地实用性，可广泛应用于内镜、CT、核磁等多类医学影像的自动分析场景。
图2 自适应医学图像分割网络
论文《Multi-dimensional association scoring and confidence awareness for multimodal cancer survival prediction》刊发于Information Processing and Management。该期刊为信息科学、计算机应用领域老牌权威期刊，聚焦计算科学与医疗、管理等交叉领域的前沿研究，在全球信息处理领域认可度颇高。该研究聚焦癌症生存预测中跨模态语义鸿沟、预测置信度缺失和固定融合策略效果不佳等问题，提出了多维关联评分与置信感知框架 （图3）。团队创新性地搭建了融合语义相似度、结构匹配度和功能归因三大维度的跨模态关联评分机制，实现了病理图像与基因组特征的细粒度对齐；引入正态逆伽马（NIG）先验分布量化数据随机不确定性与模型认知不确定性，将预测结果转化为学生t分布以完成置信度评估；同时搭配置信度排序正则项，构建鲁棒的置信感知自适应融合策略。在5项癌症数据集、总计 2831 例患者样本上的实验表明，相较现有前沿方法，所提方法的C-index和tAUC分别提升了1.6%和2.7%。Kaplan-Meier生存曲线分析证明，该模型可清晰区分高、低风险癌症患者群体，在预测可靠性与结果可解释性上实现双重突破，为多模态医疗数据的深度融合与临床决策辅助提供了全新思路。
图3 多维关联评分与置信感知框架
生命学院饶妮妮教授团队长期深耕生物医学工程领域的生物医学信号/图像处理和生物信息学等研究方向，持续推动人工智能技术与临床医学深度交叉融合。本次三篇高水平论文的集中发表，彰显了团队的持续创新能力与科研积淀。未来，团队将继续立足临床实际需求，进一步拓展多模态医疗数据融合、轻量化智能辅助诊疗模型及其临床前瞻性验证等研究工作，力争研发更多可落地的医疗人工智能技术，助力智慧医疗产业发展，同时持续加强与国内大型医疗机构的产学研合作，产出更多服务于临床诊疗的高水平科研成果。上述研究先后得到国家自然科学基金、四川省自然科学基金、四川大学华西医院-电子科技大学医工融合交叉人才培养基金和中国高校产学研创新基金等多项课题资助，为相关研究顺利开展提供了有力保障。
原文链接：
[1] https://doi.org/10.1016/j.inffus.2026.104548
[2] https://doi.org/10.1016/j.knosys.2026.115859
[3] https://doi.org/10.1016/j.ipm.2026.104846
