iMD4GC：不完全多模态数据集成以推进胃癌精确治疗反应预测与生存分析

胃癌（GC）是全球常见的恶性肿瘤，2020年新发病例超过100万，死亡人数达70万，位居第五大常见癌症。局部晚期胃癌（LAGC）约占GC诊断的三分之二，新辅助化疗（NACT）已成为LAGC的标准治疗。然而，NACT的有效性在不同患者间差异显著，相当一部分患者表现出治疗抵抗。无效的NACT不仅导致不良反应，还会错过最佳治疗窗口，导致生存率降低。然而，现有的多模态学习方法假设每个患者的所有模态都可用，这与临床实践的现实不符。每个患者可用模态的有限性会导致信息丢失，从而影响预测准确性。在本研究中，我们提出了一种针对胃癌的不完全多模态数据集成框架（iMD4GC），以应对不完全多模态数据带来的挑战，实现精确的反应预测和生存分析。具体来说，iMD4GC为每种模态引入了单模态注意力层以捕获模态内信息。随后，跨模态交互层探索潜在的模态间交互，并捕获跨模态的互补信息，从而实现对缺失模态的信息补偿。为了评估iMD4GC，我们收集了三个用于胃癌研究的多模态数据集：GastricRes（698例）用于反应预测，GastricSur（801例）用于生存分析，以及TCGA-STAD（400例）用于生存分析。我们的数据集规模显著大于以往研究。iMD4GC取得了令人印象深刻的性能：在GastricRes上AUC为80.2%，在GastricSur上C-index为71.4%，在TCGA-STAD上C-index为66.1%，显著优于其他对比方法。