研究提出抗模态缺失的多组学生存框架DMG-PoE

作者团队提出多组学生存预测框架 DMG-PoE，用于应对真实医学数据中常见的模态缺失。框架由三部分组成：动态模态图在模态节点间传播互补信息以补偿缺失输入；不确定性感知的专家乘积融合按各模态的估计精度自适应加权；一致性约束训练稳定不同模态子集下的预测。 据作者报告，该框架在 SurvBoard 基准上对 10 种 TCGA 癌症类型、7 种组学模态做了系统评估；逐模态掩蔽实验显示，在 22/24 个癌症-模态组合中，测试时能有效恢复；在 7 种模态仅可用 2 种的跨队列迁移中，也表现出泛化能力。上述效果均为作者报告，尚待独立验证。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。