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.

Die Technik kombiniert zwei zentrale Komponenten. Zunächst sorgt das Multi‑Staged Mixture of Experts (MS‑MoE) dafür, dass das Modell sowohl gemeinsames als auch spezifisches Wissen in verschiedenen Lernphasen erfasst. Dabei werden zwei Modality‑Encoder für Bild- und Genomikdaten sowie ein Fusion‑Modul eingesetzt, um die Inter‑Modal‑Beziehungen zu lernen. Anschließend verhindert die Feature Constrained Replay (FCR) das Vergessen, indem sie die Abweichung der Merkmale aus früheren Daten auf Encoder‑ und Fusionsebene begrenzt. Dadurch bleibt das Modell auch bei kontinuierlich auftretenden neuen Datensätzen stabil und leistungsfähig.

ConSurv demonstriert damit, wie multimodale, kontinuierliche Lernstrategien die Genauigkeit von Krebsüberlebensvorhersagen deutlich steigern können – ein bedeutender Fortschritt für die personalisierte Medizin und die klinische Entscheidungsfindung.