MO-RiskVAE：多発性骨髄腫における生存リスクモデリングのためのマルチオミクス変分オートエンコーダ

Abstract

多モーダル変分オートエンコーダ（VAE）は、異種オミクスデータと臨床データを統合することで、多発性骨髄腫における生存リスクモデリングのための強力な枠組みとして登場してきた。 しかし、生存の監督のもとで学習すると、標準的な潜在正則化戦略はしばしば予後に関わる変動を保持できず、不安定または過度に制約された表現につながる。提案されている多数の派生手法にもかかわらず、この設定において性能を本質的に左右する潜在設計のどの側面が重要なのかは、依然として明確ではない。本研究では、MyeVAEフレームワークの統一的な拡張として、多モーダル生存予測における潜在モデリングの選択肢を対象に、制御された検証を行う。同一のアーキテクチャと最適化プロトコルのもとで、正則化スケール、事後分布の幾何学、潜在空間構造を系統的に分離し、我々は、生存駆動の学習が特定のダイバージェンスの定式化というより、潜在正則化の大きさと構造に主として敏感であることを示す。具体的には、KL正則化の適度な緩和は一貫して生存識別を改善するのに対し、MMDやHSICのような代替のダイバージェンス機構は、適切なスケーリングがなければ限定的な効果しかもたらさない。さらに、潜在空間を構造化することで、学習された表現と生存リスク勾配との整合性を改善できることも示す。Gumbel--Softmaxに基づくハイブリッドな連続--離散の定式化は、連続潜在部分空間におけるグローバルなリスク順位付けを強化するが、生存監督のもとでは安定した離散サブタイプの発見は現れない。これらの知見に導かれ、MO-RiskVAEと呼ばれる頑健な多モーダル生存モデルを実装し、追加の監督や複雑な学習のためのヒューリスティックを導入することなく、元のMyeVAEに対してリスク層別化を一貫して改善する。