Technische Samenvatting: ChronoSurv

Probleemstelling

Nauwkeurige overlevingsvoorspelling is cruciaal voor gepersonaliseerde behandelplannen bij hoofd- en halskanker (HNC), maar blijft uitdagend vanwege de heterogene en hoogdimensionale aard van multimodale klinische data. Bestaande diepe overlevingsmodellen vertrouwen vaak op statische fusiestrategieën of temporeel agnostische modellering, waardoor ze er niet in slagen de gestructureerde, sequentiële aard van klinische workflows te vatten. Bovendien behandelen huidige methoden patiëntgegevens vaak als ongeordende verzamelingen kenmerken, waarbij de hiërarchische organisatie van klinische informatie (bijv. van patiëntenhistorie naar diagnose tot chirurgie) en de temporele progressie van zorgtrajecten worden genegeerd. Daarnaast blijft het afhandelen van ontbrekende modaliteiten — een veelvoorkomend fenomeen in de echte klinische praktijk door variërende protocollen of incomplete dossiers — een openstaand probleem voor veel multimodale frameworks.

Methodologie: ChronoSurv

De auteurs stellen ChronoSurv voor, een heterogeen hiërarchisch gerichte graafframework dat is ontworpen om multimodale overlevingsanalyse te modelleren door expliciet aan te sluiten bij klinische zorgtrajecten.

1. Feature Initialisatie

Patiëntgegevens beslaan meerdere sub-modaliteiten: tabulaire data, Whole Slide Images (WSIs) en tekstuele rapporten. Elke sub-modaliteit wordt geprojecteerd in een gedeelde latente ruimte met behulp van:

• Tabulaire data: Een leerbaar projector.
• WSIs: Een bevroren vooraf getrainde visuele encoder (UNI).
• Tekst: Een bevroren vooraf getraind taalmodel (BioClinicalBERT).

2. Constructie van de Hiërarchische Gerichte Graaf

Elke patiënt wordt gerepresenteerd als een gerichte graaf $G = (V, E)$ met een drie-niveau topologie:

• Niveau 1 (Leaf Nodes): Representeert fijnmazige sub-modaliteitskenmerken.
• Niveau 2 (Klinische Stappen): Drie nodes die de temporele progressie van de zorg representeren: (1) Patiëntachtergrond, (2) Initiële Kankerdiagnose, en (3) Lokale Chirurgie. Deze nodes zijn met nul geïnitialiseerd en verbonden met relevante leaf nodes via gerichte randen (edges).
• Niveau 3 (Globale Patiënt): Een enkele node die de patiënt representeert, geïnitialiseerd via mean-pooling van beschikbare leaf embeddings.

Afhandeling van Ontbrekende Modaliteiten: De graaftopologie is patiëntspecifiek. Als een sub-modaliteit niet beschikbaar is, worden de bijbehorende leaf node en de incidentele randen weggelaten, waardoor het model robuust kan functioneren in heterogene klinische omgevingen zonder zero-imputatie.

3. Heterogene Message Passing

ChronoSurv maakt gebruik van drie heterogene graph attention-lagen om informatie te propageren:

• Laag 1 ($\Psi_1$): Aggregeert fijnmazige sub-modaliteitskenmerken naar grove klinische stap-representaties.
• Laag 2 ($\Psi_2$): Legt progressie-bewuste afhankelijkheden vast door informatie te propageren langs het klinische traject met behulp van "volgende" (sequentiële) en "skip" (niet-sequentiële) gerichte temporele randen tussen de stap-nodes.
• Laag 3 ($\Psi_3$): Fuseert alle klinische stap-representaties tot een globale patiënt-embedding.

4. Overlevingsmodellering

Het framework adopteert een discrete-tijd overlevingsformulering. De survival head voorspelt bin-wise hazards over een tijdgrid. De training minimaliseert een verliesfunctie die bestaat uit:

• Discrete-time Negative Log-Likelihood (NLL): Voor risicoranking.
• Differentiable Calibration Penalty ($L_{X-CAL}$): Om statistisch betrouwbare overlevingskans-schattingen te garanderen.

Belangrijkste Bijdragen

1. Afstemming op het Klinische Pad: In tegen tegenstelling tot eerder werk dat data behandelt als ongeordende sets, modelleert ChronoSurv expliciet de chronologische progressie van klinische besluitvorming (historie $\to$ diagnose $\to$ chirurgie) met behulp van een gerichte graaf.
2. Heterogene Hiërarchische Topologie: Het framework integreert fijnmazige, grove en globale representaties, wat de modellering van complexe, asymmetrische relaties tussen modaliteiten en klinische stappen faciliteert.
3. Robuustheid tegen Ontbrekende Data: De adaptieve graaftopologie handelt ontbrekende modaliteiten natuurlijk af door de corresponderende nodes en randen weg te laten, waardoor imputatiestrategieën die ruis kunnen introduceren worden vermeden.
4. Focus op Kalibratie: De inclusie van een kalibratiepenalty heeft als doel niet alleen nauwkeurige risicoranking, maar ook statistisch betrouwbare overlevingskans-schattingen te produceren.

Experimentele Resultaten

De methode werd geëvalueerd op twee publieke HNC-datasets: HANCOCK (Duitsland) en TCGA-HNSC (VS), evenals een gecombineerde UniHNC cohort.

• Prestaties: ChronoSurv bereikte state-of-the-art discriminatieve prestaties (C-index) op zowel UniHNC (0.702) als HANCOCK (0.704), waarmee het non-deep learning baselines (bijv. CoxPH, Weibull), standaard deep learning modellen (bijv. DeepSurv) en andere multimodale deep learning benaderingen (bijv. MMD, SurvPCG) overtrof.
• Kalibratie: ChronoSurv demonstreerde superieure kalibratie vergeleken met andere deep learning baselines. Het slaagde voor de D-Calibration test in alle 5 de cross-validatie vouwen, terwijl de dichtstbijzijnde concurrent (SurvPCG) slechts 1/5 passeerde.
• Ablatie-studies:
  • Het verwijderen van een klinische stap of hiërarchisch niveau verslechterde de prestaties aanzienlijk, wat de noodzaak van de gestructureerde workflow bevestigt.
  • Het uitschakelen van heterogene message passing of het vervangen van gerichte randen door ongerichte randen verminderde de prestaties, wat het belang van relatie-specifieke en temporeel geordende modellering benadrukt.
  • ChronoSurv presteerde beter dan alternatieve aggregatieschema's (bijv. mean pooling, MLP, cross-attention), wat suggereert dat gestructureerde interactie-modellering superieur is aan naïeve fusie.

Betekenis en Claims

Het artikel claimt dat ChronoSurv aantoont dat het modelleren van patiëntenzorg als een progressie-bewust klinisch traject met gerichte grafen zowel nauwkeurige risicoranking als goed gekalibreerde overlevingskans-schattingen oplevert. De auteurs benadrukken dat hun aanpak effectief de kloof overbrugt tussen de structurele diversiteit van multimodale data en de temporele aard van klinische workflows.

Het werk suggereert dat traject-bewuste graafmodellering een veelbelovende richting is voor multimodale overlevingsvoorspelling, met name in settings waar de beschikbaarheid van data varieert tussen instellingen. De auteurs merken op dat hoewel hun huidige feature extractors bevroren zijn, toekomstige verbeteringen kunnen voortkomen uit het finetunen van deze initiële extractors of het verkennen van alternatieve encoders. Zij identificeren het schalen van het framework naar grotere cohorten en meer diverse maligniteiten als een toekomstige richting naarmate er meer annotaties beschikbaar komen.