MEDICINE & AI

タイトル：HCLmNet: A unified hybrid continual learning strategy multimodal network for lung cancer survival prediction DOI：10.1371/journal.pone.0316509 概　要：肺癌の生存予測は、患者のアウトカムを改善するために正確で適応的な予測モデルが必要であり、現代医療において最も困難な課題の一つです。本研究では、Elastic Weight Consolidation (EWC)と3つの補完的なリプレイベースのモジュール（Experience Replay、Instance-Level Correlation Replay、Class-Level Correlation Replay）を統合したHCLmNetというハイブリッド継続学習マルチモーダルネットワークを提案します。このモデルは、CTおよびPET画像、ゲノム（DNA）配列、臨床記録などの異種データを統合し、過去の知識を失うことなく新しいデータに適応することを可能にします。実験結果は、HCLmNetが従来のモデルに比べて生存予測の精度を向上させることを示しています。 方　法：本研究は、肺癌のマルチモーダルデータセットを用いた実験に基づいています。HCLmNetは、Swin Transformerを用いて画像特徴を抽出し、XLNetでDNAパターンをモデル化し、Fully Connected Network (FCN)で臨床データを処理します。最終的な5年生存予測は、FCNとCox比例ハザードモデルを用いて行います。 結　果：HCLmNetは、C-indexが0.84に達し、従来のモデルに対して7.7%の改善を示しました。また、平均絶対誤差（MAE）を252日および189日から140日に減少させ、カタストロフィックフォゲッティングを0.08に最小化しました。 結　論：HCLmNetは、肺癌の生存予測において優れた安定性、適応性、解釈性を示し、動的な臨床環境における予測精度の向上に寄与する可能性があります。