MICCAI是医学图像计算与计算机辅助干预领域最具影响力的国际顶级会议之一。该会议今年将于9月27日至10月1日在法国斯特拉斯堡会议中心举行。近日，实验室两项研究工作入选 MICCAI 2026（Medical Image Computing and Computer Assisted Intervention），并在会议期间通过口头报告与Poster展示等形式进行学术交流。

成果一：《Synergistic Information Disentanglement for Omni-modal Slide Representation Learning in Computational Pathology（基于协同信息解耦的全模态切片表征学习方法）》

会议期间，论文作者IMIC实验室博士生刘明新（导师：徐军教授）在MICCAI 2026会议现场进行了口头报告，并与现场专家学者就相关研究进行了交流。

图1. 刘明新在MICCAI 2026会议现场进行口头报告

该研究聚焦计算病理中全切片图像（Whole-Slide Image, WSI）建模长期面临的三大挑战：多模态信息利用不足、传统对比学习导致模态冗余对齐以及跨模态协同信号（synergistic information）难以有效建模等问题，提出了一种基于协同信息解耦理论的全模态切片表征学习框架Φ-Omni。该方法以病理图像、基因组信息与病理报告三种模态为输入，通过模态专属编码器分别提取WSI patch特征、转录组表达特征以及临床文本语义特征。在此基础上，模型设计了Synergistic Information Bottleneck（SIB）模块，通过逐层压缩的嵌入空间结构，在降低模态冗余噪声的同时保留跨模态关键信息交互，从而形成紧凑的全局联合表征。进一步地，该研究从Partial Information Decomposition（PID）理论出发，提出Synergistic Information Disentanglement（ΦID）优化目标，将多模态信息分解为冗余信息、特异信息与协同信息三类成分，并显式最大化跨模态不可分解的协同信息（Φ），同时抑制单模态可解释的冗余信息。通过结合高斯规范化投影（Gaussian Canonical Projector, GCP），该方法在可微高维空间中稳定估计信息熵，并实现对协同信息的可优化建模。在预训练阶段，模型同时引入对比学习对齐损失与ΦID协同解耦损失，通过双目标联合优化，使模型既能保持跨模态语义一致性，又能避免传统对比学习导致的表示塌缩问题，从而提升多模态表示的表达与泛化能力。

该方法在乳腺癌与非小细胞肺癌两个TCGA大规模队列上进行了系统验证，并在BRACS、CPTAC-BRCA、CPTAC-NSCLC等五个独立外部数据集上开展下游任务评估。在少样本学习设定下（k=1/5/10/25），Φ-Omni在多项分类任务中均取得领先性能。例如，在BRACS乳腺癌分型任务中，k=25时AUC达到83.3%；在CPTAC-NSCLC数据集中，k=25时AUC达到99.4%，整体性能优于包括TANGLE, CLAM, TransMIL及多种病理基础模型在内的现有方法。消融实验进一步表明，Synergistic Information Bottleneck（SIB）与ΦID解耦目标对模型性能具有关键贡献，其中协同信息最大化机制能够显著提升跨模态表征质量，而冗余压缩机制则有效抑制了模态塌缩现象，使模型在不同任务与数据分布下均表现出更强的稳定性与泛化能力。

该研究在无需额外任务微调的情况下，实现了对WSI的高效少样本迁移学习能力，显著提升了多模态病理AI模型对复杂生物医学信息的建模能力。相关成果为全模态计算病理学习提供了新的理论框架与方法路径，也为跨模态协同建模在医学人工智能中的应用提供了重要参考。未来，该方法有望进一步扩展至跨中心数据融合、弱监督病理诊断以及多组学整合分析等场景，为精准医疗与智能诊断提供更加可靠的技术支撑。

图2. 基于协同信息解耦的全模态切片表征学习方法在MICCAI 2026的Poster展示

论文信息

Mingxin Liu, Chengfei Cai, Anwen Lu, Pengbo Xu, Jun Li, Jinze Li, Depin Chen, Jun Xu, “Synergistic Information Disentanglement for Omni-modal Slide Representation Learning in Computational Pathology,” In International Conference on Medical Image Computing and Computer-Assisted Intervention (MICCAI), 2026.

成果二：《Noise-Aware Importance–Uncertainty Disentangled Multimodal Learning for Robust Cancer Survival Prediction（面向癌症生存预测的噪声感知重要性-不确定性解耦多模态学习）》

该研究聚焦多模态癌症预后预测中模态特定的技术噪声与异质性预后特征难以协同建模的关键难题，提出了一种噪声感知的重要性-不确定性解耦多模态生存网络（NADMSurv）。模型以全切片图像（WSI）和mRNA表达谱为双模态输入：针对WSI预后线索稳定但判别力有限、而mRNA预后相关性强却受技术噪声严重干扰的模态不对称性，方法首先通过重要性与不确定性双轨模块联合执行特征预筛选与患者级噪声量化，捕获异质性预后模式；进而利用噪声感知解耦机制将多模态表示分离为共享表示与模态特定表示，实现跨模态互补信息与模态独有信号的显式分离。为建模高阶患者相关性，方法引入超图神经网络构建群体级关联，并结合主观逻辑将风险评分转化为证据意见，最终通过交叉注意力与共识算子实现证据级的不确定性融合与鲁棒预后预测。

该方法在TCGA数据库的五个癌症队列（乳腺浸润癌BRCA、肺腺癌LUAD、胃腺癌STAD、脑低级别胶质瘤LGG和肾透明细胞癌KIRC）上进行了系统验证。与九种现有监督、单模态及多模态方法相比，NADMSurv在所有五个队列中均取得了最优的C-index性能。此外，基于模型预测风险分层的Kaplan-Meier生存分析显示，高风险组与低风险组患者的生存概率具有显著差异（所有队列Log-rank检验p值均小于0.001），充分验证了其在临床可行动风险分层中的有效性。

该研究通过显式建模WSI与mRNA之间的重要性-不确定性不对称性，为技术噪声条件下的多模态癌症生存预测建立了新的范式，提升了预后预测的鲁棒性与可靠性。相关成果为整合病理图像与基因组学数据的精准肿瘤学决策提供了新的技术路径，也为噪声感知的多模态表示学习及证据级融合机制提供了有价值的研究思路。未来，该方法可进一步拓展至更多癌种、多中心异构数据及多组学整合分析，为个性化治疗决策与临床预后评估提供更加可靠的人工智能技术支撑。

图3. 面向癌症生存预测的噪声感知重要性-不确定性解耦多模态学习方法在MICCAI 2026的Poster展示

论文信息

Wenlong Ming, Wenbin Ye, Mingxin Liu, Depin Chen, Yiping Jiao, Jun Xu, and Xiangxue Wang, "Noise-Aware Importance–Uncertainty Disentangled Multimodal Learning for Robust Cancer Survival Prediction," In MICCAI 2026: 29th International Conference on Medical Image Computing and Computer Assisted Intervention (MICCAI), 2026.