通过多标签学习与深度模型解释推进头颈癌生存预测

一个全面且可靠的生存预测模型对于辅助接受根治性放射治疗（RT）的头颈癌（HNC）患者的个性化管理具有重要意义。在这项工作中，我们提出了 IMLSP，一个可解释多标签多模态深度生存预测框架，用于同时预测多种 HNC 生存结局，并对深度预测过程提供特定时间事件的视觉解释。我们采用多任务逻辑回归（MTLR）层将生存预测从回归问题转化为多时间点分类任务，并能够同时预测多个相关的生存结局。我们还提出了 Grad-TEAM，一种专门为深度生存模型视觉解释开发的梯度加权时间事件激活映射方法，用于生成特定患者的至事件发生时间激活图。我们使用公开的 RADCURE HNC 数据集评估了我们的方法，该方法在所有生存结局上均优于相应的单模态模型和单标签模型。生成的激活图显示，模型在做出决策时主要关注肿瘤和淋巴结体积，且感兴趣的区域在高风险和低风险患者中有所不同。我们证明多标签学习策略可以提高学习效率和预后性能，而可解释的生存预测模型有望帮助理解 AI 的决策过程并促进个性化治疗。