★ 2
可解释超图神经网络用于GBM生存预测
论文提出多模态框架，同时兼顾胶质母细胞瘤生存预测的准确性与可解释性。方法整合sheaf超图神经网络、概念瓶颈层与扩展充分性检验正则化，并通过门控融合纳入临床与基因组特征。在UPenn-GBM数据集593名患者上取得0.643的一致性指数，折间方差最低。
arXiv cs.AI40 天前
共 2 篇相关资讯，按重要度与时间排序，每 3 小时更新。
论文提出多模态框架，同时兼顾胶质母细胞瘤生存预测的准确性与可解释性。方法整合sheaf超图神经网络、概念瓶颈层与扩展充分性检验正则化，并通过门控融合纳入临床与基因组特征。在UPenn-GBM数据集593名患者上取得0.643的一致性指数，折间方差最低。
研究提出 MIST 框架，将基因组特征作为 token 去查询由基础模型提取的组织学上下文 token，在预测前融合分子与病理信息。在结肠、肾、肺和胶质母细胞瘤四个外部队列上，外部 C-index 优于标准融合基线。