基于多模态可穿戴数据和多实例学习的老年肿瘤患者脆弱性估计
机器学习
2026-04-09 v1 人工智能
摘要
脆弱性和功能衰退严重影响老年癌症患者的治疗耐受性和预后，但评估通常仅限于不频繁的门诊访问。我们提出了一种多模态可穿戴框架，用于估计老年乳腺癌患者在 CARDIOCARE 多中心研究中，在两次随访之间（M3 和 M6）相关脆弱性功能变化。免费生活智能手表的身体活动和睡眠特征与胸带来源的心率变异性 (HRV) 特征相结合，并组织为与月 3 (M3) 和月 6 (M6) 随访对齐的患者-horizon bag。我们的创新点是一种注意力驱动的多实例学习 (MIL) 公式，用于在现实缺失和弱监督下融合不规则的多模态可穿戴实例。一个注意力驱动的 MIL 模型配合模态特定的多层感知机 (MLP) 编码器（嵌入维度为 128）聚合可变长度和部分缺失的纵向实例，用于预测 FACIT-F 和手腕握力的离散化变化-基线类别（恶化、稳定、改善）。在主体独立的留一主体交叉验证 (LOSO) 评估下，完整的多模态模型在 M3 和 M6 针对手腕握力的平衡准确率/F1 分别为 0.68 ± 0.08/0.67 ± 0.09 和 0.70 ± 0.10/0.69 ± 0.08，针对 FACIT-F 的平衡准确率/F1 分别为 0.59 ± 0.04/0.58 ± 0.06 和 0.64 ± 0.05/0.63 ± 0.07。消融结果表明，智能手表的活动和睡眠数据为脆弱性相关功能变化提供了最强的预测信息，而 HRV 在与智能手表数据流融合时提供了补充信息。
引用
@article{arxiv.2604.06985,
title = {Frailty Estimation in Elderly Oncology Patients Using Multimodal Wearable Data and Multi-Instance Learning},
author = {Ioannis Kyprakis and Vasileios Skaramagkas and Georgia Karanasiou and Lampros Lakkas and Andri Papakonstantinou and Domen Ribnikar and Kalliopi Keramida and Dorothea Tsekoura and Ketti Mazzocco and Anastasia Constantinidou and Konstantinos Marias and Dimitrios I. Fotiadis and Manolis Tsiknakis},
journal= {arXiv preprint arXiv:2604.06985},
year = {2026}
}
备注
7 pages, 1 figure, under review for IEEE EMBC 2026