基于事件条件建模的双向患者-模态图学习用于癌症生存预测
机器学习
2025-07-23 v1 多媒体
摘要
准确预测癌症患者的生存情况对于个体化治疗至关重要。然而，现有研究仅关注已知生存风险样本之间的关系，未充分利用被 censoring 样本的价值；此外，这些研究在模态缺失场景下可能出现性能下降，甚至在推断过程中难以发挥作用。本研究提出了一种基于双向患者-模态图的学习方法，结合事件条件建模的censoring用于癌症生存预测（CenSurv）。具体而言，我们首先使用图结构来建模多模态数据并获取表示。然后，为缓解模态缺失场景下的性能下降，我们设计了双向图以模拟各种模态缺失场景下的患者-模态关系，并利用完整-不完整对齐策略来探索模态无关特征。最后，我们设计了一种即插即用的事件条件censoring建模（ECMC）模块，通过动态动量累积置信度选择可靠的censored数据，为这些censored数据分配更准确的生存时间，并将其作为uncensored数据纳入训练。对5个公开癌症数据集进行的全面评估表明，CenSurv相比最先进的方法在平均C-index上提升了3.1%，同时在各种模态缺失场景下表现出优异的鲁棒性。此外，利用即插即用的ECMC模块，8个基线方法在5个数据集上的平均C-index提升了1.3%。CenSurv的代码已公开发布于https://github.com/yuehailin/CenSurv。
引用
@article{arxiv.2507.16363,
title = {Bipartite Patient-Modality Graph Learning with Event-Conditional Modelling of Censoring for Cancer Survival Prediction},
author = {Hailin Yue and Hulin Kuang and Jin Liu and Junjian Li and Lanlan Wang and Mengshen He and Jianxin Wang},
journal= {arXiv preprint arXiv:2507.16363},
year = {2025}
}