EsurvFusion：基于高斯随机模糊数的证据多模态生存融合模型
机器学习
2024-12-03 v1
摘要
多模态生存分析旨在结合异构数据源（例如临床、影像、文本、基因组）以提高生存结果预测质量。然而，这一任务由于数据源之间存在的高度异构性和噪声而尤其具有挑战性，这些数据源的结构、分布和上下文各不相同。此外， ground truth 常常因 incomplete follow-up 数据而处于censored（不确定）状态。在本文中，我们提出了一种新型的证据多模态生存融合模型，名为EsurvFusion，旨在通过证据基础决策融合层在决策水平上结合多模态数据，同时解决数据和模型不确定性，并纳入模态级别的可靠性。具体而言，EsurvFusion首先使用新引入的高斯随机模糊数对单模态数据进行建模，生成单模态生存预测以及相应的aleatoric和epistemic不确定性。随后，通过可靠性贴现层估计模态级别的可靠性，以纠正噪声数据模态的误导性影响。最后，引入多模态证据基础融合层，将折扣后的预测组合成统一的、可解释的多模态生存分析模型，揭示每个模态基于所学可靠性系数的影响。这是首个在不确定性和可靠性方面研究多模态生存分析的工作。在四个多模态生存数据集上进行的广泛实验表明，我们的方法在处理高异构性数据方面有效，并在几个基准测试上建立了新的state-of-the-art。
引用
@article{arxiv.2412.01215,
title = {EsurvFusion: An evidential multimodal survival fusion model based on Gaussian random fuzzy numbers},
author = {Ling Huang and Yucheng Xing and Qika Lin and Su Ruan and Mengling Feng},
journal= {arXiv preprint arXiv:2412.01215},
year = {2024}
}
备注
Multimodal survival analysis, Epistemic random fuzzy sets theory, Uncertainty