MO-RiskVAE: 一种用于多发性骨髓瘤生存风险建模的多组学变分自编码器
机器学习
2026-04-09 v1 人工智能
摘要
多模态变分自编码器（VAE）已通过整合异质组学与临床数据，成为多发性骨髓瘤生存风险建模的有力框架。然而，在生存监督下训练时，标准的潜在空间正则化策略往往无法保留预后相关变异，导致表示不稳定或过度约束。尽管已提出众多变体，但潜在设计的哪些方面从根本上决定了该设定下的性能仍不明确。在本工作中，我们在 MyeVAE 框架的统一扩展内，对多模态生存预测中的潜在建模选择进行了受控研究。通过在相同架构与优化协议下系统分离正则化强度、后验几何与潜在空间结构，我们证明生存驱动的训练主要对潜在正则化的幅度与结构敏感，而非特定的散度表述。特别地，适度放松 KL 正则化持续改善生存判别力，而 MMD 和 HSIC 等替代散度机制在缺乏适当缩放时仅提供有限收益。我们进一步证明，对潜在空间进行结构化可以改善所学表示与生存风险梯度之间的对齐。基于 Gumbel–Softmax 的混合连续–离散表述在连续潜在子空间中增强了全局风险排序，尽管在生存监督下稳定的离散亚型发现并未出现。基于这些发现，我们实现了一个鲁棒的多模态生存模型 MO-RiskVAE，在不引入额外监督或复杂训练启发式的前提下，持续改进了风险分层效果。
引用
@article{arxiv.2604.06267,
title = {MO-RiskVAE: A Multi-Omics Variational Autoencoder for Survival Risk Modeling in Multiple MyelomaMO-RiskVAE},
author = {Zixuan Chen and Heng Zhang and YuPeng Qin and WenPeng Xing and Qiang Wang and Da Wang and Changting Lin and Meng Han},
journal= {arXiv preprint arXiv:2604.06267},
year = {2026}
}