MoXGATE：用于多组学胃肠癌亚型分类的模态感知交叉注意力机制
机器学习
2025-06-10 v1 人工智能
摘要
癌症亚型分类对于个性化治疗和预后评估至关重要。然而，由于基因组、表观基因组和转录组特征的异质性，有效整合多组学数据仍然具有挑战性。在这项工作中，我们提出了模态感知交叉注意力机制MoXGATE，这是一个新颖的深度学习框架，利用交叉注意力和可学习的模态权重来增强跨多个组学来源的特征融合。我们的方法有效捕捉了模态间的依赖关系，确保了鲁棒且可解释的整合。通过在来自TCGA的胃肠腺癌（GIAC）和乳腺癌（BRCA）数据集上的实验，我们证明了MoXGATE优于现有方法，达到了95%的分类准确率。消融研究验证了交叉注意力相对于简单拼接的有效性，并突显了不同组学模态的重要性。此外，我们的模型能很好地泛化到未见过的癌症类型（如乳腺癌），强调了其适应性。关键贡献包括：（1）一个基于交叉注意力的多组学整合框架，（2）用于增强可解释性的模态加权融合，（3）应用焦点损失以缓解数据不平衡，以及（4）在多种癌症亚型上的验证。我们的结果表明，MoXGATE是一种有前景的多组学癌症亚型分类方法，提供了改进的性能和生物学泛化能力。
引用
@article{arxiv.2506.06980,
title = {MoXGATE: Modality-aware cross-attention for multi-omic gastrointestinal cancer sub-type classification},
author = {Sajib Acharjee Dip and Uddip Acharjee Shuvo and Dipanwita Mallick and Abrar Rahman Abir and Liqing Zhang},
journal= {arXiv preprint arXiv:2506.06980},
year = {2025}
}
备注
9 pages, 1 figure, 6 tables