基于跨模态掩码学习的 ICI 治疗 NSCLC 患者生存预测

准确预测免疫检查点抑制剂（ICI）治疗的非小细胞肺癌（NSCLC）患者预后，对于个体化治疗规划、患者决策以及改善治疗结果和生活质量至关重要。然而，缺乏大规模相关数据集和有效的多模态特征融合策略在该领域 presents 重要挑战。为此，我们提供一个大规模数据集并引入一个新的多模态特征融合框架，以提升生存预测准确性。该数据集包含来自接受 ICI 治疗的 NSCLC 患者的 3D CT 图像和相应临床记录，以及无进展生存（PFS）和总生存（OS）数据。我们进一步提出了一种用于医学特征融合的跨模态掩码学习方法，包含两个针对不同模态的分支：针对 CT 图像的切片深度变换器用于提取 3D 特征，针对表格数据的图基变换器用于学习临床变量的节点特征和关系。融合过程通过掩码模态学习策略引导，模型利用完整模态重建缺失组件。该机制有助于增强模态特定特征的集成，促进更有效的跨模态关系和特征相互作用。我们的方法在 NSCLC 生存预测的多模态集成方面表现优异，超越现有方法，在该领域设定了新的预后模型基准。