面向不完整数据集归纳式疾病分类的多模态图融合

临床诊断决策与基于人群的研究常依赖有噪声且不完整的多模态数据。近来，若干工作提出几何深度学习方法，通过将患者建模为图中的节点并结合多模态特征的图信号处理来解决疾病分类问题。其中许多方法受限于假设模态与特征完整性，且采用直推式推断，后者要求对每个新测试样本重新训练整个模型。在本工作中，我们提出一种新颖的基于图的归纳式方法，尽管每位患者存在整个模态的特征缺失，该方法仍能泛化至样本外患者。我们提出多模态图融合，其以端到端方式训练以用于节点级分类。我们在简化的MNIST玩具数据集上展示了该方法的基本工作原理。在医学数据实验中，我们的方法在多模态疾病分类中优于单一静态图方法。