二部患者模态图学习与事件条件下的删失建模用于癌症生存预测-计算机科学-机器学习-监督数据-即插即用.pdf

二部患者模态图学习与事件条件下的删失建模用于癌

症生存预测

HailinYue,HulinKuang,JinLiu,JunjianLi,LanlanWang,

MengshenHe,andJianxinWang

1HunanProvincialKeyLabonBioinformatics,SchoolofComputerScienceand

Engineering,CentralSouthUniversity,Changsha,China

2XinjiangEngineeringResearchCenterofBigDataandIntelligentSoftware,School

ofSoftware,XinjiangUniversity,Urumqi,China

本hulinkuang@

译

中摘要准确预测癌症患者的生存率对于个性化治疗至关重要。然而，现有的

研究仅关注已知生存风险样本之间的关系，未能充分利用截尾样本的价值。

1此外，这些研究在模态缺失场景中可能会出现性能下降，在推理过程中甚

v

3至会遇到困难。在这项研究中，我们提出了一种用于癌症生存预测的带有

6事件条件建模的删失二部患者-模态图学习方法（CenSurv）。具体来说，我

3

6们首先使用图结构来建模多模态数据并获取表示。然后，为了缓解模态缺

1失场景中的性能下降问题，我们设计了一个二部图来模拟各种模态缺失场

.

7景下的患者-模态关系，并利用完整-不完整的对齐策略来探索模态无关的

0特征。最后，我们设计了一种即插即用的事件条件删失建模（ECMC），通

5

2过动态动量累积置信度选择可靠的截尾数据，为这些截尾数据分配更准确

:

v的生存时间，并将其作为非截尾数据纳入训练中。在5个公开癌症数据集上

i的全面评估展示了CenSurv相较于最佳现有方法，在平均C指数方面高出

x

r3.1%的优势，同时也表现出了在各种模态缺失场景下的优秀鲁棒性。此外，

a

使用即插即用的ECMC模块，8个基线模型在5个数据集上的平均C指数

提高了1.3%。CenSurv代码可在/yuehailin/CenSurv

获取。

Keywords:生存预测·监督数据·即插即用。

1介绍

全球而言，癌症是一个巨大的公共卫生挑战。根据世界卫生组织（WHO）

的数据，每年有数百万人被诊断出患有癌症，导致数百万人死亡[24]。临床

Correspon