图1 Multi-Embed模型框架

图2 基于Multi-Embed的影像-分子多模态融合标志物发现

　　在国家自然科学基金项目（批准号：T2341008、82305047）等资助下，清华大学李梢教授、张鹏副研究员团队，在多模态人工智能模型及肿瘤防治应用方面取得新进展。研究成果以“基于统一多模态嵌入的病理形态与分子图谱系统解码（Systematically decoding pathological morphologies and molecular profiles with unified multimodal embedding）”为题，于2026年4月24日发表于《自然·方法》（Nature Methods）杂志上。论文链接：https://www.nature.com/articles/s41592-026-03070-5。

　　理解人体复杂系统宏观信息与微观信息之间的跨层次关联规律，是中、西医学、系统科学与人工智能等多学科交叉研究面临的关键共性科学问题。研究团队通过解析4.5万人次的临床、影像与分子多组学等数据，构建了表型-影像-分子跨层次统一嵌入表征空间，揭示了基于影像信息的疾病宏微观“跨层次网络模块化”核心规律，明确了宏微观跨模态数据可形成模块化关联结构，创建了自监督学习驱动的Multi-Embed模型（图1）。研究团队进而探究了Multi-Embed模型在胃癌等12种肿瘤发生发展进程及药物干预疗效等临床关键结局预测中的临床价值，发掘出系列影像-分子多模态融合标志物，包括肿瘤发生（“未病态”）风险预警标志物、预后风险分层标志物以及药物疗效预测标志物等（图2）。

　　该研究开辟了从病理形态到分子图谱多层次系统解码疾病机制的新途径，为构建面向临床的通用多模态学习模型提供了新思路，对于运用人工智能理解疾病宏微观复杂关联原理、推动精准医学与中西医人工智能交叉的方法学研究范式变革具有重要意义。