澳门理工大学应用科学学院副教授檀韬
澳门理工大学团队和荷兰癌症研究所、荷兰拉德堡德大学医学院合作研究日前在《自然》（Nature） 子刊 NPJ Breast Cancer 发表 “Predicting breast cancer types on and beyond molecular level in a multi-modal fashion”(利用多模态影像实现癌症分子分型预测 / 以多模态方式预测分子水平和超越分子水平的乳腺癌分型)。
《自然》（Nature）提供综合自然科学类研究和经同行评审的高品质论文的权威期刊，而NPJ Breast Cancer是《自然》（Nature）旗下致力于发表关于乳腺癌研究和治疗的最佳研究的期刊。该期刊发表原创研究文章、评论、简短交流、会议报告和产生假设的观察结果。该期刊的特色主题包括影像学、免疫疗法、疾病的分子分类、主要针对信号转导通路的基于机制的疗法、致癌作用（包括遗传易感性和分子流行病学）、生存问题（包括治疗的长期毒性和继发性肿瘤的发生）、生物物理学癌症，转移机制及其扰动和肿瘤微环境的研究。
刊发论文旨在利用乳腺影像手段准确判断乳腺癌的分子亚型，对乳腺癌患者的预后具有重要意义，可以指导治疗方案的选择，有效优化医疗诊断及治疗服务。 在这项研究中，团队开发了一种基于深度学习的模型，用于直接从诊断性乳腺X射线和超声图像中预测乳腺癌的分子亚型。团队提出了具有模态内和模态间注意模组（MDL-IIA）的多模态深度学习来提取乳腺X射线和超声之间的重要关系以完成此任务。与其他伫列模型相比，MDL-IIA 在预测 4 类分子亚型方面具有最佳诊断性能，Matthews 相关系数 (MCC) 为 0.837（95% 置信区间 [CI]：0.803、0.870）。 MDL-IIA 模型还可以区分 Luminal 和 Non-Luminal 疾病，接受者操作特征曲线下的面积为 0.929（95% CI：0.903，0.951）。 这些结果明显优于临床医生基于放射成像的预测。 除了分子水准的测试，基于基因水准的标签，团队的方法可以绕过免疫组织化学测试固有的不确定性。 因此，这项工作提供了一种预测乳腺癌分子亚型的无创方法，有可能指导乳腺癌患者的治疗选择，并为临床医生提供决策支持。
檀韬是澳门理工大学应用科学学院副教授，致力于医学影像人工智慧的研究，曾任荷兰通用医疗 （GE Healthcare）的资深人工智能科学家，其在疾病的计算机自动检测、分类、数据泛化学习、精准诊疗等方面有丰富经验，且对医疗人工智能成果转化方面有突出贡献。檀韬为本论文通讯作者。论文全文可浏览：https://www.nature.com/articles/s41523-023-00517-2。
澳理大致力强化产学研及跨学科研究发展，是次研究该校应用科学学院结合科技及医学，促进的交叉学科的应用研究、国际学术竞争力及产学研发展，且优化医学诊疗的模式，为推动澳门科技及健康产业发展作出贡献。