यह शोधपत्र हिस्टोपैथोलॉजी और ट्रांसक्रिप्टोम प्रोफाइलिंग को मिलाकर मल्टीमॉडल लर्निंग के माध्यम से कैंसर के निदान और रोगनिदान की सटीकता में सुधार के लिए एक नया ढाँचा प्रस्तुत करता है। मौजूदा मल्टीमॉडल दृष्टिकोणों की सीमाओं, जिनमें मल्टीमॉडल विषमता, मल्टीस्केल एकीकरण का अभाव और युग्मित डेटा निर्भरता शामिल हैं, को दूर करने के लिए, यह अध्ययन चार योगदान प्रस्तुत करता है: 1) मल्टीमॉडल विषमता को कम करने के लिए एक डिसेंटैंगलमेंट मल्टीमॉडल फ़्यूज़न मॉड्यूल और एक विश्वास-आधारित ग्रेडिएंट समायोजन रणनीति के माध्यम से WSI और ट्रांसक्रिप्टोम को ट्यूमर और सूक्ष्म वातावरण उप-स्थानों में विघटित करना; 2) मल्टीस्केल एकीकरण को बढ़ाने के लिए WSI पैमानों पर ट्रांसक्रिप्टोम संकेतों को संरेखित करना; 3) एक सबस्पेस ज्ञान आसवन रणनीति के माध्यम से WSI-विशिष्ट लर्निंग मॉडल का उपयोग करके ट्रांसक्रिप्टोम-स्वतंत्र अनुमान को सक्षम करके युग्मित डेटा पर निर्भरता कम करना; और 4) एक सूचना टोकन एकत्रीकरण मॉड्यूल के माध्यम से WSI अतिरेक को दबाते हुए सबस्पेस सिमेंटिक्स को संरक्षित करके अनुमान दक्षता को बढ़ाना। कैंसर के निदान, पूर्वानुमान और उत्तरजीविता की भविष्यवाणी पर व्यापक प्रयोगों से पता चलता है कि हमारा दृष्टिकोण विभिन्न परिस्थितियों में अत्याधुनिक तरीकों से बेहतर प्रदर्शन करता है।
