論文の概要: Quantifying Cross-Modal Interactions in Multimodal Glioma Survival Prediction via InterSHAP: Evidence for Additive Signal Integration

• arxiv url: http://arxiv.org/abs/2603.29977v1
• Date: Tue, 31 Mar 2026 16:39:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-01 15:25:03.866379
• Title: Quantifying Cross-Modal Interactions in Multimodal Glioma Survival Prediction via InterSHAP: Evidence for Additive Signal Integration
• Title（参考訳）: InterSHAPによるマルチモーダルグリオーマ生存予測におけるクロスモーダル相互作用の定量化:加算信号統合のための証拠
• Authors: Iain Swift, JingHua Ye, Ruairi O'Reilly,
• Abstract要約: がん予後のためのマルチモーダルディープラーニングは、相乗的相互モーダル相互作用の恩恵を受けると一般的に考えられている。 この研究は、シャプリー相互作用指標に基づく指標であるInterSHAPを適用し、グリオーマ生存予測における相互モーダル相互作用を定量化する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multimodal deep learning for cancer prognosis is commonly assumed to benefit from synergistic cross-modal interactions, yet this assumption has not been directly tested in survival prediction settings. This work adapts InterSHAP, a Shapley interaction index-based metric, from classification to Cox proportional hazards models and applies it to quantify cross-modal interactions in glioma survival prediction. Using TCGA-GBM and TCGA-LGG data (n=575), we evaluate four fusion architectures combining whole-slide image (WSI) and RNA-seq features. Our central finding is an inverse relationship between predictive performance and measured interaction: architectures achieving superior discrimination (C-index 0.64$\to$0.82) exhibit equivalent or lower cross-modal interaction (4.8\%$\to$3.0\%). Variance decomposition reveals stable additive contributions across all architectures (WSI${\approx}$40\%, RNA${\approx}$55\%, Interaction${\approx}$4\%), indicating that performance gains arise from complementary signal aggregation rather than learned synergy. These findings provide a practical model auditing tool for comparing fusion strategies, reframe the role of architectural complexity in multimodal fusion, and have implications for privacy-preserving federated deployment.
• Abstract（参考訳）: がん予後のためのマルチモーダル深層学習は、相乗的相互モーダル相互作用の恩恵を受けると一般的に考えられているが、この仮定は生存予測設定では直接テストされていない。 この研究は、シャプリー相互作用指標に基づく指標であるInterSHAPを分類からコックス比例ハザードモデルに適応させ、グリオーマの生存予測におけるクロスモーダル相互作用の定量化に応用する。 TCGA-GBMとTCGA-LGGデータ(n=575)を用いて,全スライディング画像(WSI)とRNA-seqの機能を組み合わせた4つの融合アーキテクチャを評価する。 我々の中心的な発見は、予測性能と測定された相互作用の逆関係である:優れた差別を達成するアーキテクチャ(C-index 0.64$\to$0.82)は、等価または低い相互モーダル相互作用(4.8\%$\to$3.0\%)を示す。 分散分解は、全てのアーキテクチャ(WSI${\approx}$40\%、RNA${\approx}$55\%、Interaction${\approx}$4\%)で安定した付加的な寄与を示し、学習したシナジーよりも補完的な信号アグリゲーションによってパフォーマンスが向上することを示している。 これらの知見は,核融合戦略の比較,マルチモーダル核融合におけるアーキテクチャの複雑さの役割の再編成,およびプライバシ保護フェデレーションの展開に影響を及ぼす実用的なモデル監査ツールを提供する。

関連論文リスト

• Cross-Modal Attention Network with Dual Graph Learning in Multimodal Recommendation [12.802844514133255]
  二重グラフ埋め込み(CRANE)を用いたクロスモーダル再帰注意ネットワーク 我々は,共同潜在空間における相互相関に基づくモダリティ特徴を反復的に洗練するコア再帰的クロスモーダルアテンション(RCA)機構を設計する。 対称型マルチモーダル学習では,対話した項目の特徴を集約することで,ユーザのマルチモーダルプロファイルを明示的に構築する。
  論文  参考訳（メタデータ） (2026-01-16T10:09:39Z)
• MiroThinker: Pushing the Performance Boundaries of Open-Source Research Agents via Model, Context, and Interactive Scaling [115.74855199827596]
  MiroThinkerは、ツール拡張推論と情報検索機能を向上させるために設計されたオープンソースの研究エージェントである。 モデルサイズやコンテキスト長のみをスケールアップする以前のエージェントとは異なり、MiroThinker氏はモデルレベルでのインタラクションスケーリングについて検討している。
  論文  参考訳（メタデータ） (2025-11-14T18:52:07Z)
• Survival Modeling from Whole Slide Images via Patch-Level Graph Clustering and Mixture Density Experts [7.0624785659308165]
  本稿では,スライド画像全体から癌特異的生存を予測するためのモジュラーフレームワークを提案する。 この枠組みは4つの重要な段階から成り、予測的形態学と不均一性を捉えるように設計されている。
  論文  参考訳（メタデータ） (2025-07-22T11:32:36Z)
• MurreNet: Modeling Holistic Multimodal Interactions Between Histopathology and Genomic Profiles for Survival Prediction [5.895727565919295]
  本稿では,MurreNet(マルチモーダル表現デカップリングネットワーク)を提案する。 MurreNetはペア化された入力データをモダリティ固有表現とモダリティ共有表現に分解し、モダリティ間の冗長性を減少させる。 6つのTCGA癌コホートで行った実験は、MurreNetが生存予測において最先端(SOTA)のパフォーマンスを達成することを示した。
  論文  参考訳（メタデータ） (2025-07-07T11:26:29Z)
• Collaborative Value Function Estimation Under Model Mismatch: A Federated Temporal Difference Analysis [55.13545823385091]
  フェデレーション強化学習(FedRL)は、エージェント間のデータ交換を防止し、データのプライバシを維持しながら協調学習を可能にする。 現実世界のアプリケーションでは、各エージェントは若干異なる遷移ダイナミクスを経験し、固有のモデルミスマッチを引き起こす。 情報共有の適度なレベルでさえ、環境固有のエラーを著しく軽減することを示す。
  論文  参考訳（メタデータ） (2025-03-21T18:06:28Z)
• IPCC-TP: Utilizing Incremental Pearson Correlation Coefficient for Joint Multi-Agent Trajectory Prediction [73.25645602768158]
  IPCC-TPはインクリメンタルピアソン相関係数に基づく新しい関連認識モジュールであり,マルチエージェントインタラクションモデリングを改善する。 我々のモジュールは、既存のマルチエージェント予測手法に便利に組み込んで、元の動き分布デコーダを拡張することができる。
  論文  参考訳（メタデータ） (2023-03-01T15:16:56Z)
• Disentangled Representation Learning for Text-Video Retrieval [51.861423831566626]
  テキスト・ビデオ検索(TVR)における相互モダリティの相互作用 我々は相互作用のパラダイムを深く研究し、その計算を2つの項に分けることができることを示した。 本稿では,逐次的かつ階層的な表現を捉えるための非絡み合いフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-03-14T13:55:33Z)

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。