論文の概要: A Contrastive Variational AutoEncoder for NSCLC Survival Prediction with Missing Modalities

• arxiv url: http://arxiv.org/abs/2602.17402v1
• Date: Thu, 19 Feb 2026 14:29:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-20 15:21:29.096504
• Title: A Contrastive Variational AutoEncoder for NSCLC Survival Prediction with Missing Modalities
• Title（参考訳）: NSCLCサバイバル予測のための逆変分オートエンコーダ
• Authors: Michele Zanitti, Vanja Miskovic, Francesco Trovò, Alessandra Laura Giulia Pedrocchi, Ming Shen, Yan Kyaw Tun, Arsela Prelaj, Sokol Kosta,
• Abstract要約: 非小細胞肺癌 (NSCLC) 患者の生存予測は, 個々の予後が異なるため困難である。 最先端モデルは、患者レベルの表現を作成するために利用可能なデータや、欠落したモダリティを推測するために生成モデルを使用する。 本稿では,MCVAE(Multimodal Contrastive Variational AutoEncoder)を提案する。
• 参考スコア（独自算出の注目度）: 41.8469011437549
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Predicting survival outcomes for non-small cell lung cancer (NSCLC) patients is challenging due to the different individual prognostic features. This task can benefit from the integration of whole-slide images, bulk transcriptomics, and DNA methylation, which offer complementary views of the patient's condition at diagnosis. However, real-world clinical datasets are often incomplete, with entire modalities missing for a significant fraction of patients. State-of-the-art models rely on available data to create patient-level representations or use generative models to infer missing modalities, but they lack robustness in cases of severe missingness. We propose a Multimodal Contrastive Variational AutoEncoder (MCVAE) to address this issue: modality-specific variational encoders capture the uncertainty in each data source, and a fusion bottleneck with learned gating mechanisms is introduced to normalize the contributions from present modalities. We propose a multi-task objective that combines survival loss and reconstruction loss to regularize patient representations, along with a cross-modal contrastive loss that enforces cross-modal alignment in the latent space. During training, we apply stochastic modality masking to improve the robustness to arbitrary missingness patterns. Extensive evaluations on the TCGA-LUAD (n=475) and TCGA-LUSC (n=446) datasets demonstrate the efficacy of our approach in predicting disease-specific survival (DSS) and its robustness to severe missingness scenarios compared to two state-of-the-art models. Finally, we bring some clarifications on multimodal integration by testing our model on all subsets of modalities, finding that integration is not always beneficial to the task.
• Abstract（参考訳）: 非小細胞肺癌 (NSCLC) 患者の生存予測は, 個々の予後が異なるため困難である。 このタスクは、患者の診断における状態の相補的なビューを提供する、全スライディング画像、バルク転写学、DNAメチル化の統合の恩恵を受けることができる。 しかし、実際の臨床データセットはしばしば不完全であり、一部の患者には全モダリティが欠落している。 最先端のモデルは、患者レベルの表現を作成するために利用可能なデータや、欠落したモダリティを推測するために生成モデルを使用する。 モーダル比変分エンコーダは,各データソースの不確かさを捕捉し,学習ゲーティング機構による融合ボトルネックを導入して,現在のモダリティからのコントリビューションの正規化を行う。 本稿では、生存損失と再建損失を組み合わせ、患者表現を正規化するマルチタスク目的と、潜伏空間におけるクロスモーダルアライメントを強制するクロスモーダルコントラスト損失を提案する。 トレーニング中、任意の欠落パターンに対するロバスト性を改善するために確率的モダリティマスキングを適用した。 TCGA-LUAD (n=475) とTCGA-LUSC (n=446) のデータセットによる広範囲な評価は、疾患特異的生存(DSS)の予測における我々のアプローチの有効性と、2つの最先端モデルと比較して深刻な欠損シナリオに対する堅牢性を示している。 最後に、モーダルのすべての部分集合上でモデルをテストすることで、マルチモーダル統合に関するいくつかの明確化をもたらし、統合がタスクに常に有益であるとは限らないことを発見した。

関連論文リスト

• Handling Missing Modalities in Multimodal Survival Prediction for Non-Small Cell Lung Cancer [28.475952006436227]
  我々はCT(Computed Tomography)、WSI(Whole-Slide Histopathology)画像、および非切除性ステージII-III NSCLCにおける総合生存モデリングのための構造化された臨床変数を統合した、欠落したマルチモーダルサバイバルフレームワークを提案する。 実験結果から, 中間核融合は早期および後期核融合戦略と同様に, 単相塩基性よりも一貫して優れていた。
  論文  参考訳（メタデータ） (2026-01-15T13:38:19Z)
• impuTMAE: Multi-modal Transformer with Masked Pre-training for Missing Modalities Imputation in Cancer Survival Prediction [75.43342771863837]
  我々は,効率的なマルチモーダル事前学習戦略を備えた新しいトランスフォーマーに基づくエンドツーエンドアプローチである impuTMAE を紹介する。 マスクされたパッチを再構築することで、モダリティの欠如を同時に示唆しながら、モダリティ間の相互作用とモダリティ内相互作用を学習する。 本モデルは,TGA-GBM/LGGとBraTSデータセットを用いたグリオーマ生存予測のために,異種不完全データに基づいて事前訓練を行った。
  論文  参考訳（メタデータ） (2025-08-08T10:01:16Z)
• 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)
• AMM-Diff: Adaptive Multi-Modality Diffusion Network for Missing Modality Imputation [2.8498944632323755]
  臨床実践において、フルイメージングは必ずしも実現可能ではなく、多くの場合、複雑な取得プロトコル、厳格なプライバシ規則、特定の臨床ニーズのためである。 有望な解決策は、利用可能なものから欠落したモダリティが生成されるデータ計算の欠如である。 適応多モード拡散ネットワーク (AMM-Diff) を提案する。
  論文  参考訳（メタデータ） (2025-01-22T12:29:33Z)
• Latent Drifting in Diffusion Models for Counterfactual Medical Image Synthesis [55.959002385347645]
  遅延ドリフトにより、医療画像に対して拡散モデルを条件付けし、反ファクト画像生成の複雑なタスクに適合させることができる。 我々は,脳MRIと胸部X線による3つの時系列的ベンチマークデータセットを用いて,対物画像生成法について検討した。
  論文  参考訳（メタデータ） (2024-12-30T01:59:34Z)
• IMAN: An Adaptive Network for Robust NPC Mortality Prediction with Missing Modalities [36.05244404111041]
  鼻咽喉頭癌(NPC)の予後予測は治療戦略の最適化と患者の予後改善に不可欠である。 従来の機械学習アプローチでは、不完全なデータに直面した場合、パフォーマンスが大幅に低下する。 IMAN: モダリティを欠いた堅牢なNPC死亡予測のための適応型ネットワークについて紹介する。
  論文  参考訳（メタデータ） (2024-10-24T08:54:08Z)
• FORESEE: Multimodal and Multi-view Representation Learning for Robust Prediction of Cancer Survival [3.4686401890974197]
  マルチモーダル情報のマイニングにより患者生存を確実に予測する新しいエンドツーエンドフレームワークFOESEEを提案する。 クロスフュージョントランスフォーマーは、細胞レベル、組織レベル、腫瘍の不均一度レベルの特徴を効果的に利用し、予後を相関させる。 ハイブリットアテンションエンコーダ(HAE)は、コンテキストアテンションモジュールを用いて、コンテキスト関係の特徴を取得する。 また、モダリティ内の損失情報を再構成する非対称マスク型3重マスク型オートエンコーダを提案する。
  論文  参考訳（メタデータ） (2024-05-13T12:39:08Z)
• Integrate Any Omics: Towards genome-wide data integration for patient stratification [6.893309898200498]
  IntegrAOは、不完全なマルチオミクスデータを統合し、新しいサンプルを分類するための教師なしのフレームワークである。 不均一データや不完全データを扱うIntegratedAOの能力は、精度オンコロジーに不可欠なツールである。
  論文  参考訳（メタデータ） (2024-01-15T19:57:07Z)
• A Novel Unified Conditional Score-based Generative Framework for Multi-modal Medical Image Completion [54.512440195060584]
  我々は、スコアベース生成モデル(SGM)を活用するために、統一多モードスコアベース生成モデル(UMM-CSGM)を提案する。 UMM-CSGMは、新しいマルチインマルチアウトコンディションスコアネットワーク(mm-CSN)を用いて、クロスモーダル条件分布の包括的集合を学習する。 BraTS19データセットの実験により、UMM-CSGMは腫瘍誘発病変における不均一な増強と不規則な領域をより確実に合成できることが示された。
  論文  参考訳（メタデータ） (2022-07-07T16:57:21Z)

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。