计算机科学与技术学院苗世迪教授在生物信息学领域取得重要研究成果。北京时间10月7日，研究论文以《Deep learning radiomics under multimodality explore association between muscle/fat and metastasis and survival in breast cancer patients》为题发表在《Briefings in Bioinformatics》（JCR一区Top期刊，中科院分区一区Top期刊，当前SCI影响因子为13.994）上，该期刊主要刊登应用新兴信息技术解决生命科学前沿问题的高质量原创论文。苗世迪教授为第一作者，哈尔滨医科大学肿瘤医院内科王瑞涛教授为通讯作者，哈尔滨理工大学计算机科学与技术学院为第一单位。
乳腺癌是女性癌症相关死亡的第二大原因。尽管在预测方面取得了相应的进展，但常规的病灶相关标志物分析并不能很好改良乳腺癌患者不良预后的问题，寻找新的生物标志物对早期预测BC肿瘤转移、生存期具有重要的临床意义。同时，医学数据的单模态表征容易受客观因素干扰且具有一定的局限性，多模态数据的互补与融合使得跨结构动态描绘生命活动过程成为可能。鉴于此，苗世迪教授提出一种改进的深度学习影像组学多模态特征融合模型，在融合特征的数据集中，胸腔内肌肉脂肪参数和图像网络特征之间体现弱线性关系，这表明，网络特征中包含影像组学无法获得的新信息，二者关系是互补的而不是替代的。融合模型预测乳腺癌远处转移体现出最佳性能（AUC=0.960,95% CI:0.942,0.979 p<0.001)。同时，CT图像的第四胸椎层和第十一胸椎层的胸肌和内脏脂肪呈现乳腺癌转移和死亡结局高相关性，上述结论在肿瘤医院病例回顾性分析中也得到了证实。该模型非入侵性地探索了一种癌症转移生物标志物，有望扩展癌症预测的关注点。
该研究为苗世迪教授团队与哈尔滨医科大学附属肿瘤医院合作的阶段性成果之一，是2022年发表于《Frontiers in Oncology》的文章《Preoperative pectoralis muscle index predicts distant metastasis-free survival in breast cancer patients》的延伸工作。苗世迪教授自2006年留校任教以来，一直从事系统工程、决策分析与建模、深度影像组学、智慧医疗等领域的研究工作。近年主持和参与完成国家级、省级科研项目、企事业单位委托项目多项，在《Briefings in Bioinformatics》、《Waste Management & Research》、《Journal of Statistical Computation and Simulation》、《Mathematical and Computer Modelling of Dynamical Systems》等学校认定的A类期刊上发表论文多篇，撰写学术专著1部，授权专利和软件著作权多项。
与转移和死亡结局相关的生物标志物可视化实例 。红色区域代表模型关注的热区，图A为第四胸椎层，图B为第十一胸椎层
