Nat Methods | 李梢团队基于宏微观跨层次关联规律，建立中西医影像-分子网络关系推断的统一AI模型|中西医影像|李梢|病理|科学|肿瘤|药理学

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，是中西医学面临的共性关键科学问题，对目前人工智能、系统生物学、网络药理学等前沿学科的发展也提出了重要方法学挑战。以病理图像等为代表的影像信息，既是疾病临床诊疗常用的金指标，也是耦合中西医宏观表型与微观分子的关键中间层次。如何通过嵌入影像信息来解析中西医宏、微观跨层次关联的底层规律，并构建具有普适性的人工智能模型，对于深入理解疾病发生发展与药物干预的本质、推动中西医临床精准诊疗，具有重要科学价值和现实意义。

2026年4月24日，清华大学北京市中医药交叉研究所所长、欧洲科学与艺术院院士李梢课题组在Nature Methods发表了题为Systematically decoding pathological morphologies and molecular profiles with unified multimodal embedding（基于统一多模态嵌入的病理形态与分子图谱系统解码）的研究论文。该文系统揭示出基于影像信息的中西医宏、微观跨层次网络模块化关联规律，创建了一套具有深度可解释性的影像-分子跨层次网络关系推断统一模型，率先实现了多尺度影像与多组学信息的跨层次从头推断与整合，并应用于发现疾病发生发展与药物干预的影像-分子多模态融合标志物，对于运用人工智能理解疾病宏微观复杂关联原理、推动中西医智能与精准防治具有重要意义。

该研究首先在中西医复杂体系宏、微观关联的本质规律发现上取得突破。该研究通过系统解析公共数据库中4.5万人次的临床信息、病理影像、分子多组学及空间转录组数据，构建了表型-影像-分子跨层次统一嵌入表征空间，进而率先揭示出基于影像信息的宏、微观“跨层次网络模块化”关联规律：宏、微观跨层次、跨模态数据可通过统一空间进行表征，且在该空间中形成网络模块化关联结构；以网络模块为核心单元进行数学建模，可完成跨层次网络关系推断与整合。这一规律的发现，为中西医复杂体系可解析、可计算奠定了进一步的理论基础。

在此基础上，该研究创建了影像-分子跨层次网络关系推断统一模型Multi-Embed，实现宏、微观跨层次关联的方法学突破（图1）。该模型基于自监督学习框架，从跨层次数据中自主挖掘病理影像与分子特征间的复杂关联，首次实现了多尺度病理形态与多层次分子图谱的跨模态统一嵌入，同时兼顾了模型的可解释性与泛化性，解决了传统多模态模型“性能与可解释性不可兼得”、“泛化能力弱难以适配临床大队列”的两难问题。其优势体现在三个方面：

1）精度高。模型利用统一嵌入空间中的网络模块化关联先验，解耦影像与分子信息间的耦合关系。基准测试表明，影像-分子跨层次整合精度较当前最优模型提升1.64倍；

2）泛化能力强。首次同步支持像素级、区域级、切片级等多尺度影像与基因组、转录组、蛋白组等多层次组学数据的联合推断，不仅适用于空间多组学数据，也可直接应用于大规模临床队列的影像-bulk分子信息整合，大幅提升了临床转化潜力；

3）深度可解释。模型在设计阶段即通过对网络模块化关联规律的编码，实现了跨层次特征的精准对齐与隐式融合，使推断结果具备明确的生物学可解释性。

尤为突出的是，模型凭借嵌入的宏微观跨层次网络模块化先验，即便仅用少量空间转录组样本训练，也能生成适用于大规模临床数据的多模态共嵌入空间与整合模型，这为克服中医药领域常见的“小样本”局限、构建面向临床的中西医多模态学习模型提供了重要支撑。

图1. Multi-Embed模型框架

进而，该文深入探究了Multi-Embed模型的临床应用价值。利用Multi-Embed模型，系统解析了跨层次网络关键节点与肿瘤发生发展、药物干预疗效等临床结局之间的关联，发掘出一系列具有深度可解释性的影像-分子多模态融合标志物（图2）。

在肿瘤发生预警方面，聚焦课题组前期提出的胃癌“极早期”新分期，构建了胃炎至胃癌极早期再到早癌演进过程的影像-分子关联网络，揭示了其动态时空演变规律，挖掘出可预警胃癌发生的影像-分子多模态标志物，拓展了胃癌极早期病证标志物体系（图2a）；

在预后风险分层方面，利用Multi-Embed 嵌入空间特征，本研究系统挖掘出12种肿瘤预后风险相关的影像-分子多模态标志物，并得到了外部独立临床数据验证（图2b）；

在药物干预疗效方面，本研究还应用Multi-Embed辨识出了与肿瘤治疗响应相关的影像-分子融合标志物（图2c）。这些结果展现出了Multi-Embed在中西医智能与精准诊疗方面的重要价值，也为网络药理学驱动的肿瘤等复杂疾病防治科学发现提供了重要技术支撑。

图2. 基于Multi-Embed的影像-分子多模态融合标志物发现：a. 肿瘤发生预警，b. 预后风险分层，c. 药物干预疗效预测。

文章进一步强调，Multi-Embed模型可拓展至涵盖舌像、内镜图像等多种类型影像特征与多组学分子谱的跨层次推断与整合，且可延伸应用于识别具有中医特色的影像-分子融合标志物及药物疗效评价指标。这不仅为阐释中医望诊的科学内涵提供了坚实依据，也开辟了从表型、影像到分子多层次系统解析中西医诊疗规律的新途径。

李梢课题组长期致力于从“生物网络”这一系统的角度研究肿瘤等复杂疾病发生发展原理及药物干预机制，通过人工智能、大数据与中西医学交叉，创建“网络靶标”理论与关键技术体系，聚焦“中西医表型-影像-细胞-分子-中西药物”宏、微观关联的系统推断，研制了中西医药分子网络导航系统——UNIQ系统，并在胃癌中西医极早防治、中药创新研发上取得重要应用。本研究作为UNIQ系统在中西医人工智能前沿技术与应用上的新突破，为进一步发展网络药理学、系统理解复杂疾病中西医诊疗规律提供了新方法。

清华大学自动化系副研究员张鹏、博士生高超飞为该文的共同第一作者，李梢院士为通讯作者。

https://www.nature.com/articles/s41592-026-03070-5

学术合作组织

（*排名不分先后）