論文の概要: Evidential Fusion Network for Multimodal Survival Prediction under Missing Modalities

• arxiv url: http://arxiv.org/abs/2606.20757v1
• Date: Thu, 18 Jun 2026 09:16:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-26 13:06:29.467917
• Title: Evidential Fusion Network for Multimodal Survival Prediction under Missing Modalities
• Title（参考訳）: 欠損モード下でのマルチモーダル生存予測のための証拠核融合ネットワーク
• Authors: Yucheng Xing, Hailan Mo, Zi Wang, Ling Huang, Mengling Feng,
• Abstract要約: 欠落モード下でのマルチモーダル生存予測のためのEvidential Missing Modality Survival Fusionモデルを提案する。 EMMSは、欠落したデータに生成フェーズを必要とせずに、サバイバル分析に単純で効率的なアプローチを提供する。
• 参考スコア（独自算出の注目度）: 12.806056204055393
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent multimodal survival prediction models have demonstrated strong predictive performance by leveraging complementary information across modalities. However, such models generally assume data completeness and exhibit limited robustness toward missing modalities, which are frequently encountered in real-world clinical settings. We propose the Evidential Missing Modality Survival Fusion (EMMS) model for multimodal survival prediction under missing modalities. EMMS offers a straightforward, computationally effective approach to survival analysis without requiring a generative phase for missing data. By employing Dempster-Shafer theory and Gaussian Random Fuzzy Numbers for multimodal decision fusion, it considers both aleatoric and epistemic uncertainty alongside modality reliability for fusion. Moreover, the model treats missing modalities as vacuous evidence, preventing interference with available inputs and naturally reflecting increased uncertainty and calibrated predictions. Extensive experiments on four cancer datasets demonstrate state-of-the-art performance while providing calibrated and interpretable uncertainty estimates under incomplete multimodal observations, without introducing additional computational overhead.
• Abstract（参考訳）: 近年のマルチモーダルサバイバル予測モデルは、モーダル間の相補的な情報を活用することで、強い予測性能を示した。 しかし、そのようなモデルは一般的にデータ完全性を前提としており、実際の臨床環境で頻繁に発生する欠落したモダリティに対して限られた堅牢性を示す。 欠損モード下でのマルチモーダル生存予測のためのEvidential Missing Modality Survival Fusion (EMMS)モデルを提案する。 EMMSは、欠落したデータに生成フェーズを必要とせずに、サバイバル分析に単純で効率的なアプローチを提供する。 マルチモーダルな決定融合にデンプスター・シェーファー理論とガウス的ランダムファジィ数を用いることにより、融合に対するモダリティの信頼性とともに、アレタリックおよびエピステマティックな不確実性の両方を考慮する。 さらに、このモデルは欠落したモダリティを空白な証拠として扱い、利用可能な入力への干渉を防ぎ、不確実性の増加と校正予測を自然に反映する。 4つのがんデータセットに対する大規模な実験は、計算オーバーヘッドを伴わずに、不完全なマルチモーダル観測の下で校正された、解釈可能な不確実性推定を提供しながら、最先端のパフォーマンスを示す。

関連論文リスト

• A Contrastive Variational AutoEncoder for NSCLC Survival Prediction with Missing Modalities [41.8469011437549]
  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。
  論文  参考訳（メタデータ） (2026-02-19T14:29:34Z)
• Embracing Aleatoric Uncertainty in Medical Multimodal Learning with Missing Modalities [9.064442992807264]
  本稿では,不確かさに対処するために,非定型的不確実性を明確に定量化するAUM(Aleatoric Uncertainity Modeling)を提案する。 本フレームワークは,MIMIC-IV死亡予測におけるAUC-ROCの2.26%,eICUでは2.17%向上した。
  論文  参考訳（メタデータ） (2026-01-29T16:31:48Z)
• 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)
• Reducing Aleatoric and Epistemic Uncertainty through Multi-modal Data Acquisition [5.468547489755107]
  本稿では,不確実性不整合が行動可能な決定を導く,革新的なデータ取得フレームワークを提案する。 主な仮説は、モダリティの数が増加するにつれてアレタリック不確かさが減少するということである。 データ取得フレームワークを紹介するために、2つのマルチモーダルデータセット上で概念実証実装を提供する。
  論文  参考訳（メタデータ） (2025-01-30T11:05:59Z)
• 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)
• Multi-modal Data Binding for Survival Analysis Modeling with Incomplete Data and Annotations [19.560652381770243]
  我々は、モダリティと検閲されたサバイバルラベルにまたがる不完全なデータを同時に扱う新しいフレームワークを導入する。 我々のアプローチでは、高度な基礎モデルを用いて個々のモダリティを符号化し、それらを普遍的な表現空間に整列させる。 提案手法は,2つのサバイバル分析タスクにおいて,両者が適用したデータセットの予測精度に優れることを示す。
  論文  参考訳（メタデータ） (2024-07-25T02:55:39Z)
• 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)
• Reliable Multimodality Eye Disease Screening via Mixture of Student's t Distributions [49.4545260500952]
  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EyeMoStについて紹介する。 本モデルでは,一様性に対する局所的不確実性と融合モードに対する大域的不確実性の両方を推定し,信頼性の高い分類結果を生成する。 パブリックデータセットと社内データセットの両方に関する実験結果から、我々のモデルは現在の手法よりも信頼性が高いことが判明した。
  論文  参考訳（メタデータ） (2023-03-17T06:18:16Z)
• Trustworthy Multimodal Regression with Mixture of Normal-inverse Gamma Distributions [91.63716984911278]
  このアルゴリズムは、異なるモードの適応的統合の原理における不確かさを効率的に推定し、信頼できる回帰結果を生成する。 実世界のデータと実世界のデータの両方に対する実験結果から,多モード回帰タスクにおける本手法の有効性と信頼性が示された。
  論文  参考訳（メタデータ） (2021-11-11T14:28:12Z)

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。