学习有限与不完整数据：预测 NSCLC 病理反应的多模态框架
计算机视觉与模式识别
2026-03-17 v1
摘要
神经肺癌（NSCLC）中重大病理反应（pR）是临床意义的终点，与改善生存率密切相关。然而，在数据稀缺和临床资料不完整的现实临床环境中，准确预测 pR 仍具有挑战性。本研究提出一种多模态深度学习框架，旨在应对这些限制，通过整合基于基础模型的 CT 特征提取与针对临床变量的缺失感知架构。该方法能够在小规模队列中实现稳健学习，同时显式建模临床信息的缺失情况，而无需依赖传统的插补策略。采用加权融合机制，充分利用影像与临床模态的互补贡献，构建的多模态模型持续优于单模态影像和临床基线模型。这些发现凸显了整合异构数据源的价值，突显了在真实世界临床条件下，多模态、缺失感知系统用于支持 pR 预测的潜力。
引用
@article{arxiv.2603.15100,
title = {Learning from Limited and Incomplete Data: A Multimodal Framework for Predicting Pathological Response in NSCLC},
author = {Alice Natalina Caragliano and Giulia Farina and Fatih Aksu and Camillo Maria Caruso and Claudia Tacconi and Carlo Greco and Lorenzo Nibid and Edy Ippolito and Michele Fiore and Giuseppe Perrone and Sara Ramella and Paolo Soda and Valerio Guarrasi},
journal= {arXiv preprint arXiv:2603.15100},
year = {2026}
}