MEDICINE & AI

タイトル：Confidence-Aware Adaptive Fusion Leaning of Imbalance Multi-Modal Data for Cancer Diagnosis and Prognosis 雑誌名：IEEE J Biomed Health Inform. 2026 Jan; 30(1): 609-616. 概　要： 本研究は、病理画像と分子オミクスの効果的な融合が精密医療において重要であることを示しています。しかし、病理データと分子データは非常に異質であり、大規模なマルチモーダル癌データはしばしば不完全な情報を含んでいます。このような不均衡なマルチモーダルデータから臨床タスクを予測することは大きな課題です。そこで、信頼度に基づく適応融合フレームワークCAFusionを提案します。このフレームワークは、独立した柔軟なモーダル特徴学習モジュールを提供し、高品質な特徴を捉えます。異質で不完全なモーダルによるモーダル不均衡の問題に対処するため、各モーダルの特徴を評価し、自動的に重みを調整する信頼度に基づく手法を設計しました。病理と分子モーダルを効果的に融合するために、柔軟な非固定層構造を持つ適応深層ネットワークを提案し、マルチモーダル特徴から隠れた共通情報を効果的に抽出します。実験結果は、CAFusionフレームワークが完全なデータセットと不完全なデータセットの両方で他の最先端手法を上回る性能を示すことを示しています。 方　法： 本研究では、信頼度に基づく適応融合フレームワークCAFusionを用いた実験を行いました。CAFusionは、独立したモーダル特徴学習モジュールを持ち、各モーダルの特徴を評価して重みを調整する信頼度に基づく手法を採用しています。適応深層ネットワークを用いて、病理と分子モーダルの融合を行い、マルチモーダル特徴からの情報抽出を行いました。 結　果： CAFusionフレームワークは、完全なデータセットと不完全なデータセットの両方において、他の最先端手法よりも優れた性能を示しました。また、CAFusionは合理的な医療の解釈可能性を提供します。 結　論： CAFusionフレームワークは、病理画像と分子オミクスの効果的な融合を実現し、癌診断と予後における不均衡マルチモーダルデータの課題に対処する可能性を示しました。