基于原型的多模态特征学习用于可解释性和判别性癌症生存预测
计算机视觉与模式识别
2025-10-08 v1
摘要
生存分析在临床决策中发挥着关键作用。然而，当前使用的模型往往难以解释，这降低了其在临床环境中的实用性。原型学习作为一种潜在解决方案，然而传统方法关注局部相似性和静态匹配，忽略了更广泛的肿瘤背景，且缺乏与基因组数据之间的强语义对齐。为克服这些问题，我们引入一种创新的基于原型的多模态框架 FeatProto，旨在通过解决当前肿瘤病理学领域原型学习方法论中的显著局限性，增强癌症生存预测。我们的框架建立了统一的特征原型空间，将 whole slide 图像 (WSI) 的全局特征和局部特征与基因组谱系相结合。这一整合促进了可追溯且可解释的决策过程。我们的方法包括三个主要创新：(1) 一种稳健的表型表征，融合关键病灶与全局背景，与基因组数据协调，以最小化局部偏差。(2) 一种指数型原型更新策略 (EMA ProtoUp)，维持稳定的跨模态关联，并采用漂移机制灵活适应肿瘤异质性。(3) 一种分层原型匹配方案，用于捕捉全局中心性、局部典型性和队列级趋势，从而细化原型推断。在四个公开可用的癌症数据集上进行的全面评估表明，我们的方法在准确率和可解释性方面均优于当前领先的单模态和多模态生存预测技术，为关键医疗应用中的原型学习提供了新的视角。我们的源代码可在 https://github.com/JSLiam94/FeatProto 上获取。
引用
@article{arxiv.2510.06113,
title = {Multimodal Feature Prototype Learning for Interpretable and Discriminative Cancer Survival Prediction},
author = {Shuo Jiang and Zhuwen Chen and Liaoman Xu and Yanming Zhu and Changmiao Wang and Jiong Zhang and Feiwei Qin and Yifei Chen and Zhu Zhu},
journal= {arXiv preprint arXiv:2510.06113},
year = {2025}
}
备注
12 pages, 10 figures