增强泛化能力与数据效率的多模态基础模型用于泛癌症预后预测
机器学习
2025-09-17 v1 人工智能
定量方法
摘要
多模态数据为全面理解肿瘤微环境提供了异构信息。然而，现有的 AI 模型往往难以利用多模态数据中的丰富信息，且提取的表示泛化能力较差。在此我们提出 MICE（Multimodal data Integration via Collaborative Experts，基于协作专家的多模态数据集成），这是一种多模态基础模型，能够有效整合病理图像、临床报告和基因组学数据，以实现精确的泛癌症预后预测。不同于传统的多专家模块，MICE 采用多个功能多样的专家，以全面捕获跨癌症与特定癌症的见解。利用来自 30 种癌症类型 11,799 名患者的数据，我们通过结合对比学习与监督学习增强了 MICE 的泛化能力。MICE 优于单模态模型和基于多专家的最先进多模态模型，在内部队列中 C-index 提升了 3.8% 至 11.2%，在独立队列中提升了 5.8% 至 8.8%。此外，它在多种临床场景中展现出卓越的数据效率。凭借增强的泛化能力和数据效率，MICE 为泛癌症预后预测建立了一个有效且可扩展的基础，具有为量身定制的疗法实现个性化并改善治疗结果的巨大潜力。
引用
@article{arxiv.2509.12600,
title = {A Multimodal Foundation Model to Enhance Generalizability and Data Efficiency for Pan-cancer Prognosis Prediction},
author = {Huajun Zhou and Fengtao Zhou and Jiabo Ma and Yingxue Xu and Xi Wang and Xiuming Zhang and Li Liang and Zhenhui Li and Hao Chen},
journal= {arXiv preprint arXiv:2509.12600},
year = {2025}
}
备注
27 pages, 7 figures