Embedding-based Multimodal Learning on Pan-Squamous Cell Carcinomas for Improved Survival Outcomes

要約

がんクリニックでは、遺伝子レベルから臓器レベルに至るまで、さまざまなスケールで疾患データを収集しています。
現在のバイオインフォマティクス手法は、特にモダリティが欠落している場合に、このデータの不均一な性質を処理するのに苦労しています。
私たちは、マルチモーダルな異種データセットから学習して臨床転帰予測を改善するグラフ ニューラル ネットワーク (GNN) フレームワークである PARADIGM を提案します。
PARADIGM は、基礎モデルを使用して多重解像度データからエンベディングを生成し、それらを患者レベルの表現に集約し、統合グラフに融合して、生存分析などのタスクのパフォーマンスを強化します。
私たちは汎扁平上皮癌に関して GNN をトレーニングし、モフィット癌センターの肺 SCC データに対するアプローチを検証します。
マルチモーダル GNN は、患者の生存予測において他のモデルよりも優れた性能を発揮します。
さまざまなスケールにわたる個々のデータモダリティを統合することで、より洞察力に富んだ疾患のビューが提供されます。
当社のソリューションは、患者の状況を包括的に理解することを目的としており、異種データの統合に関する洞察と、最大のデータビューを統合する利点を提供します。

要約(オリジナル)

Cancer clinics capture disease data at various scales, from genetic to organ level. Current bioinformatic methods struggle to handle the heterogeneous nature of this data, especially with missing modalities. We propose PARADIGM, a Graph Neural Network (GNN) framework that learns from multimodal, heterogeneous datasets to improve clinical outcome prediction. PARADIGM generates embeddings from multi-resolution data using foundation models, aggregates them into patient-level representations, fuses them into a unified graph, and enhances performance for tasks like survival analysis. We train GNNs on pan-Squamous Cell Carcinomas and validate our approach on Moffitt Cancer Center lung SCC data. Multimodal GNN outperforms other models in patient survival prediction. Converging individual data modalities across varying scales provides a more insightful disease view. Our solution aims to understand the patient’s circumstances comprehensively, offering insights on heterogeneous data integration and the benefits of converging maximum data views.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google