通过多模态基础模型基准预测多发作性硬化症残疾进程
机器学习
2025-06-19 v1
摘要
早期预测多发作性硬化症（MS）残疾进程具有挑战性，因为疾病具有异质性。本工作预测 48 周和 72 周的残疾程度，使用稀疏的基线临床数据和来自 CONSONANCE 临床试验的 12 周每日数字 Floodlight 数据。我们采用最先进的表格和时间序列基础模型（FMs）、自定义的多模态注意力 Transformer 以及机器学习方法。尽管早期预测具有挑战性（AUROC 为 0.63），但通过高级模型整合数字数据后性能优于仅使用临床数据。Moment FM 提供的最佳单模态嵌入的 Transformer 模型取得了最佳结果，但我们的多模态 Transformer 在持续优于其单模态对应物，这确认了结合临床数据与数字数据的优势。我们的发现表明，基础模型和多模态方法有望从复杂且多样化的临床和数字生命科学数据（例如影像、组学）中提取预测信号，从而为 MS 及其他复杂疾病实现更精确的预后评估。
引用
@article{arxiv.2506.14986,
title = {Early Prediction of Multiple Sclerosis Disability Progression via Multimodal Foundation Model Benchmarks},
author = {Maxime Usdin and Lito Kriara and Licinio Craveiro},
journal= {arXiv preprint arXiv:2506.14986},
year = {2025}
}
备注
Accepted to IJCAI 2025