澳門理工大學團隊和荷蘭癌症研究所、荷蘭拉德堡德大學醫學院合作研究日前在《自然》（Nature） 子刊 NPJ Breast Cancer 發表 “Predicting breast cancer types on and beyond molecular level in a multi-modal fashion”(利用多模態影像實現癌症分子分型預測 / 以多模態方式預測分子水平和超越分子水平的乳腺癌分型)。

《自然》（Nature）提供綜合自然科學類研究和經同行評審的高品質論文的權威期刊，而NPJ Breast Cancer是《自然》（Nature）旗下致力於發表關於乳腺癌研究和治療的最佳研究的期刊。該期刊發表原創研究文章、評論、簡短交流、會議報告和產生假設的觀察結果。該期刊的特色主題包括影像學、免疫療法、疾病的分子分類、主要針對信號轉導通路的基於機制的療法、致癌作用（包括遺傳易感性和分子流行病學）、生存問題（包括治療的長期毒性和繼發性腫瘤的發生）、生物物理學癌症，轉移機制及其擾動和腫瘤微環境的研究。

刊發論文旨在利用乳腺影像手段準確判斷乳腺癌的分子亞型，對乳腺癌患者的預後具有重要意義，可以指導治療方案的選擇，有效優化醫療診斷及治療服務。 在這項研究中，團隊開發了一種基於深度學習的模型，用於直接從診斷性乳腺X射線和超聲圖像中預測乳腺癌的分子亞型。團隊提出了具有模態內和模態間注意模組（MDL-IIA）的多模態深度學習來提取乳腺X射線和超聲之間的重要關係以完成此任務。與其他佇列模型相比，MDL-IIA 在預測 4 類分子亞型方面具有最佳診斷性能，Matthews 相關係數 (MCC) 為 0.837（95% 置信區間 [CI]：0.803、0.870）。 MDL-IIA 模型還可以區分 Luminal 和 Non-Luminal 疾病，接受者操作特徵曲線下的面積為 0.929（95% CI：0.903，0.951）。 這些結果明顯優於臨床醫生基於放射成像的預測。 除了分子水準的測試，基於基因水準的標籤，團隊的方法可以繞過免疫組織化學測試固有的不確定性。 因此，這項工作提供了一種預測乳腺癌分子亞型的無創方法，有可能指導乳腺癌患者的治療選擇，並為臨床醫生提供決策支持。

檀韜是澳門理工大學應用科學學院副教授，致力於醫學影像人工智慧的研究，曾任荷蘭通用醫療 （GE Healthcare）的資深人工智能科學家，其在疾病的計算機自動檢測、分類、數據泛化學習、精準診療等方面有豐富經驗，且對醫療人工智能成果轉化方面有突出貢獻。檀韜為本論文通訊作者。論文全文可瀏覽：https://www.nature.com/articles/s41523-023-00517-2。

澳理大致力強化產學研及跨學科研究發展，是次研究該校應用科學學院結合科技及醫學，促進的交叉學科的應用研究、國際學術競爭力及產學研發展，且優化醫學診療的模式，為推動澳門科技及健康產業發展作出貢獻。