ConSurv: Multimodales Lernen verbessert Krebsüberlebensvorhersagen
In der klinischen Praxis ist die Vorhersage von Überlebensraten bei Krebspatienten entscheidend, weil sie die Einschätzung von Sterblichkeitsrisiken und die Planung von Therapien beeinflusst. Traditionelle Modelle, die auf einem einzigen Datensatz trainiert werden, können sich jedoch nicht an die sich ständig verändernde medizinische Umgebung anpassen und verlieren dadurch an Nutzen. ConSurv, die erste multimodale Methode des kontinuierlichen Lernens (MMCL) für die Überlebensanalyse, löst dieses Problem, indem sie sowohl die Gefahr des „catastrophischen Vergessens“ als auch die komplexen Wechselwirkungen zwischen Gigapixel‑Bilddaten und Genomik berücksichtigt.
