ConSurv：面向生存分析的多模态持续学习
机器学习
2026-01-21 v2
摘要
癌症生存预测对于临床实践至关重要，因为它决定了死亡风险并影响治疗方案。然而，基于单个数据集训练的静态模型无法适应动态演化的临床环境和持续的数据流，限制了其实际实用性。虽然持续学习（CL）提供了解动态新数据集的解决方案，但现有CL方法主要关注单模态输入，在生存预测中 suffers from severe catastrophic forgetting。在现实场景中，多模态输入往往提供全面且互补的信息，例如全切片图像和基因组数据；忽略跨模态关联性会严重影响性能。为了解决持续性遗忘和巨像素全切片图像与基因组数据之间复杂跨模态互动的两个挑战，本文提出ConSurv——首个面向生存分析的多模态持续学习（MMCL）方法。ConSurv包含两个关键组件：多阶段混合专家（MS-MoE）和特征受限回放（FCR）。MS-MoE在网络不同学习阶段捕获任务共享和任务特定知识，包括两个模态编码器和模态融合组件，学习跨模态关系。FCR通过限制不同层次上前一数据集的特征偏差来进一步增强所学知识并缓解遗忘，包括两个模态的编码器级特征和融合级表示。此外，我们引入了新的基准集成四个数据集，称为Multimodal Survival Analysis Incremental Learning（MSAIL），用于在CL设置下进行全面评估。大量实验表明，ConSurv在多个指标上超越了竞争方法。
引用
@article{arxiv.2511.09853,
title = {ConSurv: Multimodal Continual Learning for Survival Analysis},
author = {Dianzhi Yu and Conghao Xiong and Yankai Chen and Wenqian Cui and Xinni Zhang and Yifei Zhang and Hao Chen and Joseph J. Y. Sung and Irwin King},
journal= {arXiv preprint arXiv:2511.09853},
year = {2026}
}
备注
14 pages, 4 figures. This is the extended version of the paper accepted at AAAI 2026, which includes all technical appendices and additional experimental details