摘要：在计算病理学中，融合组织病理、基因组和临床报告的全模态自监督学习有助于学习可迁移的全切片图像表征。然而，现有对比学习方法通常将异质模态强制对齐至统一潜在空间，容易导致模态坍缩，使具有诊断价值的协同信息被共享冗余所掩盖。为此，本文提出 Φ-Omni，一种基于部分信息分解（PID）的协同信息解耦框架。该方法通过协同信息瓶颈（SIB）和 ΦID 目标，抑制模态冗余并增强不可约的跨模态协同信息，从而学习更具判别性和迁移性的病理表征。实验结果表明，Φ-Omni在乳腺癌和肺癌队列上预训练后，在5个外部数据集、8项下游任务的少样本设置中均优于现有监督和自监督方法。这项工作被国际医学图像计算领域顶会MICCAI2026录用，并入选 Oral Presentation。
Mingxin Liu, Chengfei Cai, Anwen Lu, Pengbo Xu, Jun Li, Jinze Li, Depin Chen, and Jun Xu, Synergistic Information Disentanglement for Omni-modal Slide Representation Learning in Computational Pathology, MICCAI 2026: the 29th International Conference on Medical Image Computing and Computer Assisted Intervention, September 27-October 1, 2026.[Link to paper]
