近日，我校生物医学工程学院张煜教授领衔的研究团队，在国际著名顶级期刊《IEEE Transactions on Neural Networks and Learning Systems》（IEEE TNNLS）上发表研究论文《Multi-Constraint Latent Representation Learning for Prognosis Analysis Using Multi-Modal Data》（多模态多约束潜在表达学习的预后分析）。博士研究生宁振源为第一作者，张煜教授为通讯作者。《IEEE TNNLS》杂志是机器学习、神经网络以及人工智能领域的顶级期刊之一，中科院一区Top期刊，

预后分析通过预测死亡或疾病复发的时间或概率来帮助医生为患者制定有效的治疗方案。目前Cox比例风险模型已在癌症预后分析中得到了广泛应用，与此同时病理学图像和基因数据等多模态数据也为癌症预后分析提供了更加丰富的信息。然而，对于本身不具备特征融合或选择机制的Cox模型而言，如何有效融合和利用高维度多模态数据中的互补信息仍然是一个挑战。此外，当前多数基于Cox的模型很少关注或直接利用有助于提高模型性能的观测生存时间。为此，该工作提出了一种新型的由Cox模型驱动的多约束潜在表示学习框架，并通过大量实验证明了方法的有效性，为基于多模态数据的癌症预后分析提供了新的思路。