본 논문은 다양한 데이터 유형을 통합하여 생존 예측을 수행하는 심층 학습의 성능이 뛰어나지만, 기존의 다중 모달 방법은 단일 암종에만 초점을 맞추고 암 종류를 넘어서는 일반화의 어려움을 간과한다는 점을 지적합니다. 연구진은 다중 모달 예측 모델이 임상 현장에서의 강건성 필요성에도 불구하고 암 종류를 넘어서는 상황에서 단일 모달 모델보다 일반화 성능이 떨어진다는 것을 최초로 밝혀냈습니다. 이를 해결하기 위해, 단일 암종에서 학습된 모델이 보이지 않는 암 종류에 일반화될 수 있는지 평가하는 새로운 과제인 'Cross-Cancer Single Domain Generalization for Multimodal Prognosis'를 제안합니다. 약한 모달의 저하된 특징과 비효율적인 다중 모달 통합이라는 두 가지 주요 과제를 확인하고, 이를 해결하기 위해 Sparse Dirac Information Rebalancer (SDIR)과 Cancer-aware Distribution Entanglement (CADE)라는 두 가지 플러그 앤 플레이 모듈을 도입합니다. SDIR은 베르누이 기반 스파스화와 디랙 기반 안정화를 적용하여 강한 특징의 지배력을 완화하고 약한 모달 신호를 향상시킵니다. CADE는 표적 도메인 분포를 합성하도록 설계되어 잠재 공간에서 국소 형태학적 단서와 전역 유전자 발현을 융합합니다. 4가지 암 종류의 벤치마크 실험을 통해 우수한 일반화 성능을 입증하여 실용적이고 강건한 암 종류를 넘어서는 다중 모달 예측의 기반을 마련했습니다. 코드는 https://github.com/HopkinsKwong/MCCSDG 에서 이용 가능합니다.
