基于典型相关分析方法的多模态融合：在组织学与基因组学乳腺癌生存预测中的应用
机器学习
2024-10-28 v1 信号处理
定量方法
应用统计
摘要
多模态数据集的可用性为从多个视角更全面地刻画同一感兴趣对象提供了独特机遇。本工作中，我们研究使用典型相关分析（CCA）及其惩罚变体（pCCA）进行双模态融合。我们针对双模态数据的生成建立了一个简单图模型。我们分析表明，在已知模型参数时，联合使用两种模态的后验均值估计器在潜变量预测上优于单模态后验估计器的任意线性混合。可融入领域知识的惩罚CCA扩展（pCCA）能够从高维小样本数据中发现相关性，而传统CCA对此不适用。为便于利用pCCA生成多维嵌入，我们提出两种矩阵去相关方案以强制满足CCA所具有的优良性质。我们提出一个两阶段预测流程，使用经去相关生成的pCCA嵌入进行潜变量预测，综合了上述所有内容。在模拟数据上，我们提出的模型大幅降低了潜变量预测的均方误差。当应用于癌症基因组图谱（TCGA）乳腺癌患者的公开组织病理学数据与RNA测序数据时，我们的模型在生存预测上优于同维度的主成分分析（PCA）嵌入。
引用
@article{arxiv.2111.13987,
title = {Multi-modality fusion using canonical correlation analysis methods: Application in breast cancer survival prediction from histology and genomics},
author = {Vaishnavi Subramanian and Tanveer Syeda-Mahmood and Minh N. Do},
journal= {arXiv preprint arXiv:2111.13987},
year = {2024}
}
备注
This work has been submitted to the IEEE for possible publication