マルチモーダルグラフニューラルネットワークのがん患者の生存を予測する

近年、がん患者の生存予測は、世界的な健康問題にとって重要な重要性を抱えており、医療情報コミュニティで多くの研究者の注目を集めています。がん患者の生存予測は、意味のある挑戦的な作業である分類作業を見ることができます。それにもかかわらず、この分野での研究はまだ限られています。この作業では、統一されたフレームワークでの遺伝子発現、コピー数の変化、臨床データなどの実際のマルチモーダルデータの特徴を調査する癌の生存を予測するための新しいマルチモーダルグラフニューラルネットワーク（MGNN）フレームワークを設計します。具体的には、最初に患者とマルチモーダルデータの間に二部グラフを構築して、固有の関係を調べます。その後、異なる二部グラフに各患者の埋め込みがグラフニューラルネットワークで取得されます。最後に、医療機能を異なるモダリティデータから融合するために、マルチモーダル融合神経層が提案されています。包括的な実験は、現実世界のデータセットで実施されており、最先端に対する大幅な改善を伴うモーダルの優位性を実証しています。さらに、提案されたMGNNは、他の4つのがんデータセットでより堅牢であるように検証されています。

In recent years, cancer patients survival prediction holds important significance for worldwide health problems, and has gained many researchers attention in medical information communities. Cancer patients survival prediction can be seen the classification work which is a meaningful and challenging task. Nevertheless, research in this field is still limited. In this work, we design a novel Multimodal Graph Neural Network (MGNN)framework for predicting cancer survival, which explores the features of real-world multimodal data such as gene expression, copy number alteration and clinical data in a unified framework. Specifically, we first construct the bipartite graphs between patients and multimodal data to explore the inherent relation. Subsequently, the embedding of each patient on different bipartite graphs is obtained with graph neural network. Finally, a multimodal fusion neural layer is proposed to fuse the medical features from different modality data. Comprehensive experiments have been conducted on real-world datasets, which demonstrate the superiority of our modal with significant improvements against state-of-the-arts. Furthermore, the proposed MGNN is validated to be more robust on other four cancer datasets.