原型引导的跨模态知识增强用于自适应生存预测
机器学习
2025-03-17 v1 图像与视频处理
摘要
基因组学多模态生存预测因其卓越的模型性能和潜在贡献于精准医学而日益受到关注。然而，在临床实践中，当仅提供单模态数据时，实际应用受到显著限制，限制了这些先进多模态方法的可用性。为此，本研究提出了一种基于原型的跨模态知识增强（ProSurv）框架，消除对配对数据的依赖，使能够在各种场景下进行稳健的学习和自适应生存预测。具体而言，我们首先引入一种内模态更新机制，以构建封装整个训练集统计信息的模态特定原型库，保留跨间期的模态特定风险相关特征/原型。随后，提出的跨模态翻译模块利用所学原型来增强多模态输入的知识表示，并为缺失的模态生成特征，确保在各种场景下进行稳健和自适应的生存预测。广泛的在四个公开数据集上的实验表明，ProSurv在使用单模态或多模态输入时均优于现有的SOTA方法，消融研究还强化了其广泛适用性。总体而言，本研究解决了计算病理学中的一个关键实际挑战，具有重大的意义和潜在影响力。
引用
@article{arxiv.2503.10726,
title = {Prototype-Guided Cross-Modal Knowledge Enhancement for Adaptive Survival Prediction},
author = {Fengchun Liu and Linghan Cai and Zhikang Wang and Zhiyuan Fan and Jin-gang Yu and Hao Chen and Yongbing Zhang},
journal= {arXiv preprint arXiv:2503.10726},
year = {2025}
}