基于深度学习的长期非侵入性诊断在免疫治疗中的多模态集成生存预测
机器学习
2025-06-10 v2 人工智能
定量方法
摘要
目的：免疫治疗已彻底改变了癌症治疗的格局。然而，我们对受免疫治疗治疗的晚期癌症的反应模式的了解仍有限。通过利用人工智能技术，挖掘常规收集的非侵入性、纵向和多模态数据，我们有望为癌症患者转化为免疫治疗，为个性化治疗方法之路。方法：本研究开发了一种新型的人工神经网络架构，基于多模态Transformer简化时间注意力（MMTSimTA）网络，构建于最近一系列成功开发之上。我们集成了治疗前和治疗期间的血液测量、处方药物以及来自694名接受免疫治疗的大型pan-cancer队列中基于CT的器官体积，以预测3、6、9和12个月的死亡风险。实现了该MMTSimTA网络的不同变体，并与采用中间融合和晚期融合集成方法的基线方法进行比较。结果：使用MMTSimTA模型变体表现出最强的预后性能，其3、6、9和12个月生存预测的受试者工作曲线下面积（AUC）分别为, , , 。讨论：我们的发现表明，使用我们新型架构整合非侵入性纵向数据可获得改进的多模态预后性能，尤其在短期生存预测方面表现更佳。结论：我们的研究表明，基于深度学习的多模态纵向集成非侵入性数据可能为免疫治疗治疗的癌症患者提供个性化预后评估的有前景的方法。
引用
@article{arxiv.2411.18253,
title = {Multimodal Integration of Longitudinal Noninvasive Diagnostics for Survival Prediction in Immunotherapy Using Deep Learning},
author = {Melda Yeghaian and Zuhir Bodalal and Daan van den Broek and John B A G Haanen and Regina G H Beets-Tan and Stefano Trebeschi and Marcel A J van Gerven},
journal= {arXiv preprint arXiv:2411.18253},
year = {2025}
}