Path-GPTOmic：用于生存结果预测的平衡多模态学习框架
计算机视觉与模式识别
2024-03-19 v1 机器学习
基因组学
摘要
为了预测癌症生存结果，临床研究中的标准方法通常基于两种主要模态：用于观察细胞形态学特征的病理图像，以及用于量化基因表达的基因组学（例如，批量 RNA-seq）。然而，现有的病理-基因组多模态算法面临重大挑战：(1) 经常忽略关于基因和基因间相互作用的宝贵生物学见解；(2) 一种模态通常在优化过程中占主导地位，导致另一种模态训练不足。在本文中，我们引入了一个用于癌症生存结果预测的新多模态“Path-GPTOmic”框架。首先，为了提取有价值的生物学见解，我们调节最初在单细胞 RNA-seq 数据上训练的基础模型 scGPT 的嵌入空间，使其适用于批量 RNA-seq 数据。其次，为了解决模态间不平衡问题，我们提出了一种专为生存预测的 Cox 偏似然损失量身定制的梯度调制机制。在训练过程中动态监测和调整各模态的贡献，以确保两种模态都能得到充分训练。在两个 TCGA 数据集上的评估表明，我们的模型显著提高了生存预测的准确性。
引用
@article{arxiv.2403.11375,
title = {Path-GPTOmic: A Balanced Multi-modal Learning Framework for Survival Outcome Prediction},
author = {Hongxiao Wang and Yang Yang and Zhuo Zhao and Pengfei Gu and Nishchal Sapkota and Danny Z. Chen},
journal= {arXiv preprint arXiv:2403.11375},
year = {2024}
}
备注
Accepted by IEEE International Symposium on Biomedical Imaging (ISBI 2024)