欠損モダリティを考慮した多モーダル生存予測のための非小細胞肺がんにおける手法

要旨: 非小細胞肺がん（NSCLC）における正確な生存予測には、臨床、放射線画像、および病理組織学的データを統合することが必要である。マルチモーダル・ディープラーニング（MDL）は予後予測の精度を向上させうるが、小規模コホートや欠測モダリティの存在が臨床適用性を制限している。従来の手法では、完全ケースの除外や補完（インピュテーション）が強制されるためである。本研究では、切除不能なII〜III期NSCLCに対する全生存期間のモデリングのために、コンピューテッドトモグラフィ（CT）、全スライド病理画像（WSI）、および構造化された臨床変数を組み合わせた、欠測を意識したマルチモーダル生存フレームワークを提案する。本フレームワークは、モダリティ固有の特徴抽出にFoundation Models（FMs）を用い、欠測を意識したエンコーディング戦略によって、自然に不完全なモダリティ・プロファイルのもとで中間レベルのマルチモーダル融合を可能にする。設計上、このアーキテクチャは学習時・推論時のいずれにおいても、利用可能な全データを患者を落とすことなく処理する。中間融合は、単一モダリティのベースラインおよび早期融合・後期融合の双方を上回り、トリモダリティ構成ではC-indexが74.42に到達した。モダリティ重要度の分析では、融合モデルが、FMの事前学習目標と生存タスクとの整合性によって形成される、表現の情報量に応じて各データストリームへの依存度を適応的に調整することが示される。学習されたリスクスコアは、疾患進行および転移リスクに関して臨床的に意味のある層別化を生み出し、すべてのモダリティ組合せにおいて統計学的に有意なログランク検定が得られる。これにより、提案フレームワークの翻訳（実臨床への橋渡し）における関連性が裏付けられる。