EAGLE：面向多模态生存预测的通用潜在嵌入高效对齐与可解释归因分析
机器学习
2025-07-01 v1 人工智能
摘要
准确的癌症生存预测需要整合反映imaging、临床参数和文本报告之间复杂相互作用的多种数据模态。然而，现有的多模态方法 suffer from 简单的融合策略、巨大的计算要求以及缺乏可解释性——这些都是临床采纳的关键障碍。我们提出了 EAGLE（Efficient Alignment of Generalized Latent Embeddings），一种 novel 深度学习框架，通过 attention-based 多模态融合和全面归因分析来解决这些限制。EAGLE 引入了四项关键创新：(1) 动态跨模态注意力机制，学习模态之间的层次关系；(2) 在保持预测性能的同时实现 99.96% 的维度压缩；(3) 三种互补归因方法提供患者水平的可解释性；(4) 统一的管道实现跨癌种的无缝适配。我们在三个不同恶性肿瘤上评估了 EAGLE：glioblastoma（GBM，n=160）、intraductal papillary mucinous neoplasms（IPMN，n=171）和 non-small cell lung cancer（NSCLC，n=580）。患者水平分析显示，高风险患者更依赖不良影像特征，而低风险患者则表现出平衡的模态贡献。风险分层识别出具有 4 倍（GBM）至 5 倍（NSCLC）生存中位数差异的临床有意义的群体，直接指导治疗强度决策。通过将最先进的性能与临床可解释性相结合，EAGLE 弥合了先进 AI 能力与实际医疗部署之间的鸿沟，为多模态生存预测提供了可扩展解决方案，提高了预后准确性和医生对自动化预测的信任。
引用
@article{arxiv.2506.22446,
title = {EAGLE: Efficient Alignment of Generalized Latent Embeddings for Multimodal Survival Prediction with Interpretable Attribution Analysis},
author = {Aakash Tripathi and Asim Waqas and Matthew B. Schabath and Yasin Yilmaz and Ghulam Rasool},
journal= {arXiv preprint arXiv:2506.22446},
year = {2025}
}