队列-个体协同学习用于多模态癌症生存分析

最近，通过整合多模态数据（例如病理图像和基因组图谱），我们在癌症生存分析方面取得了令人瞩目的成就。然而，这些模态的异质性和高维性对提取判别性表示同时保持良好的泛化能力提出了重大挑战。在本文中，我们提出了一个队列-个体协同学习（CCL）框架，通过协作知识分解和队列引导来推进癌症生存分析。具体来说，首先，我们提出了一个多模态知识分解（MKD）模块，将多模态知识显式分解为四个不同的组成部分：冗余、协同以及两种模态的独特性。这种全面的分解可以启发模型感知容易被忽视但重要的信息，促进有效的多模态融合。其次，我们提出了一个队列引导建模（CGM）来减轻过拟合任务无关信息的风险。它可以促进对底层多模态数据更全面和稳健的理解，同时避免过拟合的陷阱并增强模型的泛化能力。通过协作知识分解和队列引导方法，我们开发了一个具有增强判别和泛化能力的稳健多模态生存分析模型。在五个癌症数据集上的大量实验结果证明了我们的模型在整合多模态数据进行生存分析方面的有效性。