基于InterSHAP量化多模态胶质瘤生存预测中的跨模态交互：加性信号整合的证据
机器学习
2026-04-15 v2 人工智能
定量方法
摘要
多模态深度学习用于癌症预后时，通常被认为受益于跨模态的协同交互，但这一假设尚未在生存预测设置中得到直接验证。本工作将InterSHAP（一种基于Shapley交互指数的度量）从分类任务适配到Cox比例风险模型，并将其应用于量化胶质瘤生存预测中的跨模态交互。使用TCGA-GBM和TCGA-LGG数据（n=575），我们评估了四种融合全切片图像（WSI）和RNA-seq特征的架构。我们的核心发现是预测性能与交互度量之间存在反向关系：实现更优判别能力的架构（C-index从0.64提升至0.82）表现出同等或更低的跨模态交互（从4.8%降至3.0%）。方差分解显示所有架构中加性贡献保持稳定（WSI≈40%，RNA≈55%，交互≈4%），表明性能提升源于互补信号的聚合而非学到的协同效应。这些发现为比较融合策略提供了实用的模型审计工具，重新定义了架构复杂度在多模态融合中的角色，并对隐私保护的联邦部署具有启示意义。
引用
@article{arxiv.2603.29977,
title = {Quantifying Cross-Modal Interactions in Multimodal Glioma Survival Prediction via InterSHAP: Evidence for Additive Signal Integration},
author = {Iain Swift and JingHua Ye and Ruairi O'Reilly},
journal= {arXiv preprint arXiv:2603.29977},
year = {2026}
}
备注
8 pages, 1 figure, under review at XAI 2026 LBW