多模态癌症生存分析中的群体个体协作学习

Apr, 2024

多模态癌症生存分析中的群体个体协作学习

Cohort-Individual Cooperative Learning for Multimodal Cancer Survival Analysis

Huajun Zhou, Fengtao Zhou, Hao Chen

TL;DR我们提出了一种合作学习框架，通过知识分解和队列引导方法协同推进癌症生存分析，以提高多模态数据的融合、鉴别和泛化能力。通过四个不同组成部分：冗余性、协同性、独特性和队列引导建模，我们的模型在融合多模态数据进行生存分析时展现出了卓越的效果。

Abstract

Recently, we have witnessed impressive achievements in cancer survival analysis by integrating multimodal data, e.g., pathology images and genomic profiles. However, the heterogeneity and high dimensionality of these modalities pose significant challenges for extracting discriminative

cancer survival analysis multimodal data knowledge decomposition cohort guidance multimodal fusion

发现论文，激发创造

基于多任务相关学习的多模态融合框架在癌症预测中的应用

基于 ResNet-152 和 SGCN, 结合多模态多任务相关学习 (MultiCoFusion) 的多模态融合框架可用于肿瘤的生存分析和癌症等级分类，基于 The Cancer Genome Atlas (TCGA) 的实验结果表明，MultiCoFusion 的表现优于传统的特征提取方法。

Jan, 2022

跨模态注意力多模态融合用于非小细胞肺癌（NSCLC）患者生存预测

提出了一种跨模态注意力多模态融合管道，用于整合非小细胞肺癌（NSCLC）患者生存预测的特定模态知识，相较于单一模态的组合方法，在实验中取得了 c - 指数为 0.6587 的结果，展示了从不同模态融合中融入特定知识的能力。

Aug, 2023

层次网络多粒度融合的跨模态相关学习

本文提出了一种跨模态相关学习方法，通过层级网络的多粒度融合实现多级别关联，在保留内 - 外模态互补上下文的同时，采用多任务学习策略平衡内 - 外模态的约束，成功地将粗细模型进行融合以实现精确的跨模态相关性，实验结果表明我们的方法在多个数据集上表现出色。

Apr, 2017

面向医疗报告生成的基于能力的多模态课程学习

该研究针对医学图像生成任务的特殊性，提出了基于能力的多模态课程学习框架（CMCL），并在公开数据集上进行了实验，证明该框架可用于改善数据偏差和提高现有模型的性能。

Jun, 2022

基于嵌入式多模式学习的全面鳞癌的生存结果改善

用于患者生存预测的基于多模态数据的图神经网络框架 PARADIGM 优于其他模型，通过整合多种数据视角，提供全面的疾病认知。

Jun, 2024

多模态医学图像分割的互补信息共学习

这篇论文介绍了一种互补信息相互学习（CIML）框架，通过数学建模和处理跨模态冗余信息的负面影响，它将多模态分割任务分解成多个子任务，并通过信息传递来从其他模态中提取信息，以有效地去除冗余信息，提高验证准确性和分割效果。

Jan, 2024

基于知识驱动的子空间融合和梯度协调的多模态学习

通过分解组织学图像和基因组学的特征子空间，反映不同的肿瘤和微环境特征，我们提出了一种生物解释性和稳健的多模态学习框架，以高效地整合组织学图像和基因组学，从而解决了肿瘤生态系统中肿瘤和微环境共同增加恶性的内在复杂性问题。

Jun, 2024

跨模态生存分析的翻译和对齐

通过在高通量测序技术中整合病理图像与基因组信息，本论文提出了一种跨模态转换与对齐（CMTA）框架，探索内在的跨模态关联性并转移互补信息，从而显著提高病人全面存活分析的判别能力。

Sep, 2023

Path-GPTOmic: 一个平衡的多模态学习框架用于生存结局预测

通过多模态框架和生物学洞察来提高癌症生存预测准确性。

Mar, 2024

多模态癌症生存预测的原型信息瓶颈化与解缚

多模态学习对癌症生存预测有重要影响，尤其是病理图像和基因组数据的整合。本文提出了一种新的框架，用于解决多模态数据中的冗余性问题，并在五个癌症基准数据集上进行了广泛实验，证明其在其他方法上的优越性。

Jan, 2024