基于多模态数据的自动化与可解释生存分析
人工智能
2025-09-29 v1 机器学习
摘要
准确且可解释的生存分析仍然是肿瘤学中的一个核心挑战。随着多模态数据的增长以及支持验证和信任的透明模型的临床需求，这一挑战的复杂性不断增加。我们提出了一个可解释的多模态 AI 框架，通过整合临床变量和 computed tomography 成像来自动化生存分析。我们基于 MultiFIX 的框架使用深度学习来推断与生存相关的特征，并进一步进行解释：成像特征通过 Grad-CAM 进行解释，而临床变量则通过遗传规划建模为符号表达式。风险估计采用透明的 Cox 回归，从而能够将患者划分为具有不同生存结果的组。使用用于头颈癌的开源 RADCURE 数据集，MultiFIX 实现了 0.838 的 C-index（预测）和 0.826 的 C-index（分层），优于临床和学术基线方法，并与已知的预后标志物相一致。这些结果突显了可解释多模态 AI 在精准肿瘤学中的前景以及 MultiFIX 的潜力。
引用
@article{arxiv.2509.21600,
title = {Automated and Interpretable Survival Analysis from Multimodal Data},
author = {Mafalda Malafaia and Peter A. N. Bosman and Coen Rasch and Tanja Alderliesten},
journal= {arXiv preprint arXiv:2509.21600},
year = {2025}
}
备注
4 figures; 4 tables; 24 pages