Cohort-Individual Cooperative Learning for Multimodal Cancer Survival Analysis

最近，我们见证了通过整合多模态数据（例如病理图像和基因组分析）在癌症生存分析方面取得的令人瞩目的成就。然而，这些模态的异质性和高维度给提取有区分性的表征和保持良好的泛化能力带来了重大挑战。在本文中，我们提出了一种“队列个体合作学习”（CCL）框架，通过协作知识分解和队列指导来推进癌症生存分析。具体而言，首先，我们提出了一种多模态知识分解（MKD）模块，将多模态知识明确分解为四个不同的组成部分：两种模态的冗余、协同作用和独特性。这种全面的分解可以启示模型感知容易被忽视但重要的信息，促进有效的多模态融合。其次，我们提出了一种队列指导建模（CGM），以减轻过度拟合与任务无关的信息的风险。它可以促进对潜在多模态数据的更全面和稳健的理解，同时避免过度拟合的陷阱，增强模型的泛化能力。通过协作知识分解和队列指导方法，我们开发了一个具有增强的区分性和泛化能力的稳健多模态生存分析模型。对五个癌症数据集的广泛实验结果表明，我们的模型在整合多模态数据进行生存分析方面具有很好的效果。

提出一个Cohort-individual Cooperative Learning (CCL)框架，以协作知识分解和队列指导的方式，解决癌症生存分析中的多模态数据的异质性和高维度问题。

提出了一个Multimodal Knowledge Decomposition (MKD)模块，将多模态知识明确分解为四个不同的组件，并提出了Cohort Guidance Modeling (CGM)来缓解过拟合任务无关信息的风险。

该模型在五个癌症数据集上进行了广泛的实验，证明了其在整合多模态数据进行生存分析方面的有效性。

最近的相关研究包括：'Multimodal deep learning for cervical cancer diagnosis'，'Deep learning-based survival prediction for multiple cancer types using histopathology images'等。