多模态医疗数据中的深度生存分析：基于竞争风险的参数化与概率化方法

《Scientific Reports》：Deep survival analysis in multimodal medical data: a parametric and probabilistic approach with competing risks

　　

摘要

在肿瘤学中，准确的生存期预测对于预后判断和治疗计划制定至关重要。传统方法通常依赖单一数据类型，这限制了它们捕捉肿瘤生物学复杂性的能力。为解决这一难题，我们提出了一种多模态深度学习框架，可用于生存分析，能够处理单一风险和竞争风险场景，并评估整合多种医疗数据源对生存期预测的影响。我们提出了SAMVAE（生存分析多模态变分自编码器），这是一种专为生存期预测设计的新型深度学习架构，可整合六种数据类型：临床变量、四种分子特征以及组织病理学图像。SAMVAE利用针对不同数据类型的编码器将输入映射到共享的潜在空间中，从而在保留各数据类型特有信息的同时实现可靠的生存期预测。我们在乳腺癌和低级别胶质瘤两个癌症队列上对SAMVAE进行了测试，采用了定制化的预处理、降维和超参数优化方法。实验结果表明，该框架能够在不同数据集中成功整合多模态数据，用于标准生存分析和竞争风险分析。与现有的最先进多模态生存模型相比，我们的模型具有出色的预测性能。据我们所知，在公开可用的实现方案中，该框架是较早尝试将临床数据、多组学数据和影像数据整合起来用于连续时间竞争风险分析的方案。SAMVAE引入了一种概率框架，能够从异构数据源生成个性化的生存曲线。其参数化设计使得可以从输出分布中得出具有临床意义的统计结果，通过交互式多媒体为患者提供个性化分析结果。这些特性使其成为一种具有潜力支持肿瘤学中的风险建模和可解释性生存分析的方法工具。最重要的是，它的核心贡献在于提供了一种统一的概率多模态融合框架。