近日，李铁香教授团队在丘成桐院士的带领下与生物科学与医学工程学院顾忠泽教授团队在中国工程院院刊《Engineering》上发表题为 "Predicting Multiomics Histopathology Features with Surface Parameterizations" 的学术论文。黄锴博士和谭忠恒博士为本文的共同第一作者，李铁香教授、顾忠泽教授和丘成桐院士为通讯作者。《Engineering》期刊作为中国工程院院刊，是工程领域顶级的综合性学术期刊，近五年影响因子为13.1，在JCR工程综合类期刊中排名前三，学科涵盖了大部分主要工程分支，特别鼓励跨学科前沿和颠覆性技术研究。
病理诊断作为疾病诊断的"金标准"，传统上依赖病理医师对组织切片的显微观察和经验判断。近年来，人工智能技术为病理诊断带来了新的变革，在自动化诊断、疗效预测和分子特征推断等方面展现出巨大潜力。然而，现有基于自然图像设计的神经网络在处理大尺寸、高复杂度的病理图像时存在局限，病理切片的复杂形态特征对特征提取提出了更高的要求，在病理图像中关键区域（如癌变组织）与正常组织分布不均衡时，其预测难度将进一步提升。
针对这一技术瓶颈，本研究运用丘成桐院士创立的计算共形几何理论，创新地开发了基于流形参数化的病理图像分析方法。研究团队利用共形能量最小化（CEM）与拉伸能量最小化（SEM）算法，实现了病理图像到规则正方形域的高精度共形和保面积变换。该变换在保持病理图像重要特征的同时引入了局部多尺度和各向异性信息，不仅显著提升了模型对微小病变（如癌变区域）的关注度和识别能力，还大幅改善了其对肿瘤特征的学习效能。该方法在结直肠癌的MSI、BRAF突变和KRAS突变状态预测任务中表现卓越，AUC值分别达到0.87、0.90和0.84，较原始图像的0.70、0.83和0.76实现显著提升，其中MSI状态预测的AUC值提升幅度高达0.17。在泛化性层面，该方法在肺癌、肾癌、乳腺癌转移等多种肿瘤病理切片图像上显著优于传统图像处理方法。这一创新不仅为数字病理分析提供了新的技术路径，更推动了人工智能辅助诊断向更高精度、更强解释性的方向发展，为精准医疗时代的病理诊断开辟了新思路。
（本研究提出了一种基于参数化几何变换的新型病理图像分析方法，通过系统性优化组织切片的分布特征，显著提升了神经网络在不同任务下对组织切片的特征提取能力，且适用于各类切片智能分析场景，具有强泛化性。）
Citation: K. Huang, Z-H. Tan, W. Yu, X. Wang, Y. Ding, S. Xu, Z. Chen, Y. Zhang, Y. Liu, W W. Lin, T. Li, S-T. Yau, Z. Gu, Predicting Multiomics Histopathology Features with Surface Parameterizations, Engineering (2025), doi:https://doi.org/10.1016/j.eng.2025.07.026
论文原文链接：https://www.sciencedirect.com/science/article/pii/S2095809925004369