本論文は,多様なデータ型を統合して生存予測を行う深層学習の性能に優れているが,従来のマルチモーダル法は,単一癌種にのみ焦点を当て,癌種類を越える一般化の難しさを見落とすことを指摘している。研究者は、マルチモーダル予測モデルが臨床現場での堅牢性の必要性にもかかわらず、癌の種類を超える状況では、単一のモーダルモデルよりも一般化性能が低下することを最初に明らかにしました。これを解決するために、単一の癌腫で学習されたモデルが目に見えない癌の種類に一般化できるかどうかを評価する新しい課題である「Cross-Cancer Single Domain Generalization for Multimodal Prognosis」を提案します。弱いモーダルの劣化した特徴と非効率的なマルチモーダル統合という2つの主要な課題を確認し、これを解決するために、Sparse Dirac Information Rebalancer（SDIR）とCancer-aware Distribution Entanglement（CADE）という2つのプラグアンドプレイモジュールを導入します。 SDIRはベルヌーイベースのスパース化とディラックベースの安定化を適用し、強い特徴の支配力を軽減し、弱いモーダル信号を改善します。 ＣＡＤＥは、標的ドメイン分布を合成するように設計され、潜在空間における局所形態学的手がかりとグローバル遺伝子発現を融合する。 4種類のガンタイプのベンチマーク実験により、優れた一般化性能を実証し、実用的で丈夫なガンタイプを超えるマルチモーダル予測の基盤を設けました。コードはhttps://github.com/HopkinsKwong/MCCSDGで利用可能です。
