摘要：基于多模态数据的精准癌症预后预测对于个体化治疗方案制定具有重要意义，但模态特异的技术噪声及异质性预后特征仍为该任务带来显著挑战。尤其是，全切片图像（WSI）与 mRNA 表达数据呈现出一种长期被忽视的非对称性：WSI通常具有较高稳定性，但其预后相关信息相对较弱；相比之下，mRNA 数据具有更强的预后关联性，却同时伴随较高的技术变异。现有多模态生存分析方法通常未显式建模这种“技术不确定性—预后重要性”之间的...
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...
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 Computati...
从顶刊到顶会，智能医学图像计算江苏省高校重点实验室（IMIC）的学术影响力正在多维拓展。IMIC实验室近期捷报频传，一批聚焦前沿探索的原创成果不仅稳定发表于顶级期刊，更成功跻身多个顶尖学术会议。本文将详细介绍IMIC实验室近期在领域内顶会舞台上的最新研究进展。成果一：IMIC实验室博士生刘明新的论文被MICCAI 2026录用近日，IMIC实验室博士生刘明新（导师：徐军教授）完成的研究论文《Synergistic Information Disentangl...
摘要：癌症生存预测需要整合病理全切片图像 (WSI) 和基因组图谱，这是一项极具挑战性的任务，因为模型本身具有异质性，并且对模态间和模态内相互作用进行建模也十分复杂。当前的方法通常采用简单的融合策略进行多模态特征整合，无法全面捕捉模态特异性和模态共性相互作用，导致对多模态相关性的理解有限，预测性能也欠佳。为了弥补这些局限性，本文提出了一种多模态表征解耦网络 (MurreNet) 来推进癌症生存分析。具体而言，我们...
徐军教授团队与芝加哥大学/南京医科大学生殖医学国家重点实验室徐宇君教授团队在国际上教早把机器学习技术运用在小鼠睾丸常规H&E病理切片的定量分析，通过定量分析精子发生的组织学切片进行精子发生自动化分期与识别。最近，合作团队把该方法拓展到雄性不育的小鼠精子发生缺陷的快速检测，该合作工作最近在美国2024年男科学会议上引起较大反响（见下图）。本次会议上，来自美国生殖医学领域的与会人员就如何通过机器学习的手段...
版权所有：南京信息工程大学 地址：南京市江北新区宁六路219号 NUIST备81016
