乳がんサブタイプ分類と生存予測のためのトークンレベルクロスモーダルトランスフォーマーと対照的多タスク学習
本研究は、ゲノムデータと臨床データを統合し、乳がんサブタイプ分類と生存予測を共同最適化するために、トークンレベルのクロスモーダルトランスフォーマーと対照的多タスク学習を提案する。既存手法のモダリティ相互作用の粗さ、融合の単純さ、独立最適化という限界を克服する。
精密腫瘍学において、異種のゲノムモダリティと臨床モダリティを統合して癌サブタイプ分類と生存予測を共同で行うことは、依然として重要な課題である。既存のアプローチには3つの限界がある：(1) 各モダリティを単一の特徴ベクトルとして扱い、モダリティ間の細かいトークンレベルの相互作用を妨げる。(2) クロスモーダル融合は通常、線形重み付けや後期平均化によって行われ、構造化されたトークン交換ではない。(3) 生存予測と分類の目的が独立して最適化され、共同正則化信号が欠如している。
これらの問題に対処するため、研究者らはトークンレベルのクロスモーダルトランスフォーマーモデルを提案し、対照的多タスク学習フレームワークを導入した。このモデルは、ゲノムデータと臨床データをそれぞれトークンシーケンスにエンコードし、クロスモーダルアテンション機構を介してトークン間の直接的な相互作用を実現し、より豊かなモダリティ間の関連性を捉える。対照学習タスクはモダリティ表現の識別性を高め、マルチタスク損失関数はサブタイプ分類と生存予測を共同最適化し、共有情報を効果的に伝達する。
実験結果は、この方法が乳がんデータセットにおいてサブタイプ分類の精度を向上させるだけでなく、生存予測のCインデックスも大幅に改善することを示している。アブレーション研究は、トークンレベルの相互作用と対照的多タスク学習のそれぞれの貢献をさらに検証した。全体として、この研究はマルチモーダル医学データ分析の新しいパラダイムを提供し、精密医療の発展に寄与することが期待される。