論文の概要: Prototype-Guided Cross-Modal Knowledge Enhancement for Adaptive Survival Prediction
- arxiv url: http://arxiv.org/abs/2503.10726v1
- Date: Thu, 13 Mar 2025 11:38:11 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-17 13:05:43.066624
- Title: Prototype-Guided Cross-Modal Knowledge Enhancement for Adaptive Survival Prediction
- Title（参考訳）: 適応生存予測のためのプロトタイプガイド型クロスモーダル知識強化
- Authors: Fengchun Liu, Linghan Cai, Zhikang Wang, Zhiyuan Fan, Jin-gang Yu, Hao Chen, Yongbing Zhang,
- Abstract要約: ProSurvはプロトタイプ指向のクロスモーダル知識強化フレームワークである。
ペア化されたデータへの依存を排除し、堅牢な学習と適応型生存予測を可能にする。
4つの公開データセットに対する大規模な実験は、最先端の手法よりもProSurvの方が優れていることを示している。
- 参考スコア（独自算出の注目度）: 12.14067843712642
- License:
- Abstract: Histo-genomic multimodal survival prediction has garnered growing attention for its remarkable model performance and potential contributions to precision medicine. However, a significant challenge in clinical practice arises when only unimodal data is available, limiting the usability of these advanced multimodal methods. To address this issue, this study proposes a prototype-guided cross-modal knowledge enhancement (ProSurv) framework, which eliminates the dependency on paired data and enables robust learning and adaptive survival prediction. Specifically, we first introduce an intra-modal updating mechanism to construct modality-specific prototype banks that encapsulate the statistics of the whole training set and preserve the modality-specific risk-relevant features/prototypes across intervals. Subsequently, the proposed cross-modal translation module utilizes the learned prototypes to enhance knowledge representation for multimodal inputs and generate features for missing modalities, ensuring robust and adaptive survival prediction across diverse scenarios. Extensive experiments on four public datasets demonstrate the superiority of ProSurv over state-of-the-art methods using either unimodal or multimodal input, and the ablation study underscores its feasibility for broad applicability. Overall, this study addresses a critical practical challenge in computational pathology, offering substantial significance and potential impact in the field.
- Abstract（参考訳）: ヒストリー・ゲノミクスのマルチモーダル生存予測は、その卓越したモデル性能と精度医学への潜在的貢献に注目が集まっている。
しかし、臨床実践において重要な課題は、単調なデータのみが利用可能であり、これらの先進的なマルチモーダル手法のユーザビリティを制限することである。
この問題に対処するため,プロトタイプ誘導型クロスモーダル・ナレッジ・エンハンスメント(ProSurv)フレームワークを提案する。
具体的には、まず、モダリティ固有のプロトタイプバンクを構築するためのモダリティ内更新機構を導入し、トレーニングセット全体の統計をカプセル化し、モダリティ固有のリスク関連特徴/プロトタイプを間隔で保持する。
その後、提案したクロスモーダル翻訳モジュールは、学習したプロトタイプを利用して、マルチモーダル入力の知識表現を強化し、欠落したモダリティのための特徴を生成し、多様なシナリオにおける堅牢かつ適応的な生存予測を保証する。
4つの公開データセットに対する大規模な実験は、非モーダルまたはマルチモーダル入力を用いた最先端手法よりもProSurvの方が優れていることを示した。
本研究は、計算病理学における重要な実践的課題に対処し、この分野においてかなりの意義と潜在的影響をもたらす。
関連論文リスト
- Continually Evolved Multimodal Foundation Models for Cancer Prognosis [50.43145292874533]
がん予後は、患者の予後と生存率を予測する重要なタスクである。
これまでの研究では、臨床ノート、医療画像、ゲノムデータなどの多様なデータモダリティを統合し、補完的な情報を活用している。
既存のアプローチには2つの大きな制限がある。まず、各病院の患者記録など、各種のトレーニングに新しく到着したデータを組み込むことに苦慮する。
第二に、ほとんどのマルチモーダル統合手法は単純化された結合やタスク固有のパイプラインに依存しており、モダリティ間の複雑な相互依存を捉えることができない。
論文 参考訳（メタデータ） (2025-01-30T06:49:57Z) - EsurvFusion: An evidential multimodal survival fusion model based on Gaussian random fuzzy numbers [13.518282190712348]
EsurvFusionは、決定レベルでマルチモーダルデータを組み合わせるように設計されている。
信頼性の割引層を通じてモダリティレベルの信頼性を推定する。
これは、不確実性と信頼性の両方でマルチモーダルサバイバル分析を研究する最初の研究である。
論文 参考訳（メタデータ） (2024-12-02T07:35:29Z) - Confidence-aware multi-modality learning for eye disease screening [58.861421804458395]
眼疾患スクリーニングのための新しい多モード顕在核融合パイプラインを提案する。
モダリティごとに信頼度を測り、マルチモダリティ情報をエレガントに統合する。
パブリックデータセットと内部データセットの両方の実験結果は、我々のモデルが堅牢性に優れていることを示している。
論文 参考訳（メタデータ） (2024-05-28T13:27:30Z) - MMA-DFER: MultiModal Adaptation of unimodal models for Dynamic Facial Expression Recognition in-the-wild [81.32127423981426]
実世界のアプリケーションでは,音声およびビデオデータに基づくマルチモーダル感情認識が重要である。
近年の手法は、強力なマルチモーダルエンコーダの事前学習に自己教師付き学習(SSL)の進歩を活用することに重点を置いている。
SSL-pre-trained disimodal encoders を用いて,この問題に対する異なる視点とマルチモーダル DFER の性能向上について検討する。
論文 参考訳（メタデータ） (2024-04-13T13:39:26Z) - Seeing Unseen: Discover Novel Biomedical Concepts via
Geometry-Constrained Probabilistic Modeling [53.7117640028211]
同定された問題を解決するために,幾何制約付き確率的モデリング処理を提案する。
構成された埋め込み空間のレイアウトに適切な制約を課すために、重要な幾何学的性質のスイートを組み込む。
スペクトルグラフ理論法は、潜在的な新規クラスの数を推定するために考案された。
論文 参考訳（メタデータ） (2024-03-02T00:56:05Z) - XAI for In-hospital Mortality Prediction via Multimodal ICU Data [57.73357047856416]
マルチモーダルICUデータを用いて病院内死亡率を予測するための,効率的で説明可能なAIソリューションを提案する。
我々は,臨床データから異種入力を受信し,意思決定を行うマルチモーダル・ラーニングを我々のフレームワークに導入する。
我々の枠組みは、医療研究において重要な要素の発見を容易にする他の臨床課題に容易に移行することができる。
論文 参考訳（メタデータ） (2023-12-29T14:28:04Z) - Exploiting Modality-Specific Features For Multi-Modal Manipulation
Detection And Grounding [54.49214267905562]
マルチモーダルな操作検出とグラウンド処理のためのトランスフォーマーベースのフレームワークを構築する。
本フレームワークは,マルチモーダルアライメントの能力を維持しながら,モダリティ特有の特徴を同時に探求する。
本稿では,グローバルな文脈的キューを各モーダル内に適応的に集約する暗黙的操作クエリ(IMQ)を提案する。
論文 参考訳（メタデータ） (2023-09-22T06:55:41Z) - Multi-objective optimization determines when, which and how to fuse deep
networks: an application to predict COVID-19 outcomes [1.8351254916713304]
マルチモーダル・エンド・ツー・エンドモデルのセットアップを最適化する新しい手法を提案する。
我々はAIforCOVIDデータセット上でテストを行い、最先端の結果を得た。
論文 参考訳（メタデータ） (2022-04-07T23:07:33Z) - AMMASurv: Asymmetrical Multi-Modal Attention for Accurate Survival
Analysis with Whole Slide Images and Gene Expression Data [2.0329335234511974]
AMMASurvと呼ばれる新しい非対称多モード法を提案する。
AMMASurvは、すべてのモダリティにおいて本質的な情報を効果的に利用でき、異なる重要性のモダリティに柔軟に適応する。
論文 参考訳（メタデータ） (2021-08-28T04:02:10Z) - Variational Learning of Individual Survival Distributions [21.40142425105635]
本稿では,分散学習技術とディープニューラルネットワークの最近の進歩を基盤として,変分生存推定(VSI)と呼ばれる変動時間対イベント予測モデルを提案する。
提案手法の有効性を検証するため, 合成および実世界の両方のデータセットに対する広範な実験を行い, 競合するソリューションと比較して性能が向上したことを示す。
論文 参考訳（メタデータ） (2020-03-09T22:09:51Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。