基于检索感知多模态建模的反事实理解用于事件时间生存预测
机器学习
2026-02-24 v1 信息检索
摘要
本文解决了事件时间反事实生存预测问题，旨在存在异质性和删失数据的情况下优化个体化生存结局。我们提出了CURE框架，该框架通过全面的多模态嵌入和潜在子组检索推进了反事实生存建模。CURE整合了临床、辅助检查、人口统计学和多组学信息，这些信息通过交叉注意力机制进行对齐和融合。复杂的多组学信号可以使用混合专家架构进行自适应细化，强调信息量最大的组学成分。在此表示的基础上，CURE隐式地检索患者特定的潜在子组，这些子组捕获了基线生存动态和治疗依赖的变化。在METABRIC和TCGA-LUAD数据集上的实验结果表明，所提出的CURE模型在生存分析中始终优于强基线，评估指标为时间依赖一致性指数（）和综合布里尔分数（IBS）。这些发现凸显了CURE增强多模态理解的潜力，并为未来的治疗推荐模型奠定了基础。所有代码和相关资源均已公开，以促进可重复性，网址为https://github.com/L2R-UET/CURE。
引用
@article{arxiv.2602.19987,
title = {Counterfactual Understanding via Retrieval-aware Multimodal Modeling for Time-to-Event Survival Prediction},
author = {Ha-Anh Hoang Nguyen and Tri-Duc Phan Le and Duc-Hoang Pham and Huy-Son Nguyen and Cam-Van Thi Nguyen and Duc-Trong Le and Hoang-Quynh Le},
journal= {arXiv preprint arXiv:2602.19987},
year = {2026}
}