Technische Samenvatting: Evidential Fusion Network voor Multimodale Overlevingsvoorspelling bij Ontbrekende Modaliteiten

Probleemstelling

Nauwkeurige overlevingsvoorspelling is cruciaal voor precisie-oncologie, maar de implementatie van multimodale modellen in de echte klinische praktijk wordt vaak gehinderd door ontbrekende modaliteiten. In de praktijk zijn volledige morfologische en moleculaire profielen (een combinatie van whole-slide images en transcriptomische data) vaak niet beschikbaar vanwege weefseluitputting, sequencingskosten of heterogene infrastructuur.

Bestaande benaderingen kampen met twee primaire beperkingen:

1. Imputatiegebaseerde methoden (bijv. SMIL, M3Care) reconstrueren ontbrekende data via generatieve modellering. Hoewel effectief op gemiddeld niveau, riskeren zij het "hallucineren" van niet-bestaande biologische signalen en brengen zij hoge computationele kosten met zich mee, wat problematisch is voor klinische beslissingen met een hoge inzet.
2. Imputatievrije methoden (bijv. EmbraceNet) aggregeren alleen beschikbare embeddings, maar behandelen ontbrekendeheid vaak louter als een maskering- of dropoutprobleem. Ze falen in het expliciet kwantificeren van de epistemische onzekerheid (gebrek aan kennis) die wordt veroorzaakt door afwezige modaliteiten, wat vaak resulteert in misgekalibreerde vertrouwensniveaus die de onwetendheid van het model niet weerspiegelen.

Bovendien hebben huidige modellen moeite met het onderscheid tussen aleatorische onzekerheid (intrinsieke dataruis) en epistemische onzekerheid (onzekerheid door ontbrekende informatie), waarbij ze slechts een "best guess" geven zonder betrouwbaarheid te signaleren.

Methodologie

De auteurs stellen het Evidential Missing Modality Survival Fusion (EMMS) model voor, een framework dat is ontworpen om incomplete multimodale observaties te verwerken zonder dat datareconstructie nodig is. De kerncomponenten zijn:

1. Theoretische Fundering: Dempster–Shafer Theorie en GRFNs

EMMS is gebaseerd op de Dempster–Shafer evidentietheorie. In plaats van een enkele overlevingstijd te voorspellen, wordt de voorspelling van elke modaliteit gerepresenteerd als overlevingsbewijs geparametriseerd door Gaussian Random Fuzzy Numbers (GRFNs).

• Een GRFN, aangeduid als $\tilde{Y} \sim \tilde{N}(\mu, \sigma^2, h)$, modelleert de overlevingstijdverdeling waarbij:
  • $\mu$: Locatieparameter (meest plausibele schatting van de gebeurtenistijd).
  • $\sigma^2$: Aleatorische onzekerheid (datavariabiliteit).
  • $h$: Epistemische sterkte (inverse van de epistemische onzekerheid/onwetendheid).
• Vacuüm Bewijs (Vacuous Evidence): Cruciaal is dat wanneer een modaliteit ontbreekt, het model de epistemische sterkte $h=0$ instelt. Dit zorgt ervoor dat de GRFN degradeert tot "vacuüm bewijs", wat volledige onwetendheid representeert. Deze formulering vermijdt het benaderen van ontbrekende inputs; in plaats daarvan wordt hun afwezigheid expliciet gecodeerd als een nul bijdrage aan het bewijs.

2. Unimodale Takken

Het model verwerkt twee modaliteiten onafhankelijk van elkaar voordat de fusie plaatsvindt:

• Pathologie Tak: Whole-slide images (WSI's) worden getesselde in patches, gecodeerd via een vooraf getrainde patch encoder, en geaggregeerd tot een slide-niveau representatie met behulp van de TITAN slide encoder. Deze feature wordt naar overlevingsbewijs gemapt via een prototype-gebaseerde evidentiële formulering met radial basis function kernels.
• Genomica Tak: Transcriptomische profielen worden door een vergelijkbaar framework verwerkt om overlevingsbewijs te genereren dat gemodelleerd is als een GRFN.

3. Evidentiële Fusie

Het model fuseert het bewijs van de beschikbare modaliteiten met behulp van de Dempster's combinatieregel.

• Afhandeling van Ontbrekendheid: Een binaire beschikbaarheidsindicator ($r \in \{0, 1\}$) bepaalt of een modaliteit aanwezig is. Als $r=0$, draagt de modaliteit vacuüm bewijs bij ($h=0$).
• Gewogen Aggregatie: De gefuseerde GRFN-parameters ($\mu_f, \sigma^2_f, h_f$) worden berekend via een closed-form, bewijs-gewogen aggregatie. Modaliteiten met een hogere epistemische sterkte dragen meer bij aan de uiteindelijke voorspelling.
• Graceful Degradatie: Wanneer een modaliteit ontbreekt, reduceert de fusie zich natuurlijk tot de beschikbare modaliteit zonder interferentie. De totale epistemische sterkte ($h_f$) cumuleert additief, wat dient als een interpreteerbare metriek van de algehele betrouwbaarheid. Een reductie in $h_f$ reflecteert expliciet de onzekerheid die wordt geïnduceerd door ontbrekende data.

4. Verliesfunctie

Het trainingsdoel combineert:

• Overlevingsverlies ($L_{surv}$): Een gegeneraliseerde negatieve log-likelihood voor GRFN's die zowel ongecensureerde als rechts-gecensureerde samples superviseert met behulp van belief en plausibiliteitsgrenzen.
• Alignment Verlies ($L_{align}$): Een symmetrische Kullback–Leibler (KL) divergentie term die alleen wordt toegepast wanneer beide modaliteiten aanwezig zijn, wat fungeert als een lichtgewicht cross-modale consistentie regularisator.

Belangrijkste Bijdragen

1. Vacuüm Bewijs Formulering: Het artikel introduceert een methode om ontbrekende modaliteiten te behandelen als vacuüm bewijs ($h=0$) binnen een GRFN-framework. Dit voorkomt dat het model data hallucineert of gecontamineerd wordt door ontbrekende inputs, terwijl het de epistemische onzekerheid van de voorspelling op natuurlijke wijze verhoogt.
2. Onzekerheidskwantificatie: EMMS maakt expliciet onderscheid tussen aleatorische en epistemische onzekerheid. De totale bewijskracht dient als een ingebouwde, interpreteerbare metriek voor de betrouwbaarheid van de voorspelling onder incomplete observaties.
3. Computationele Efficiëntie: In tegenstelling tot imputatiegebaseerde methoden vereist EMMS geen generatief stadium of latent-space retrieval voor ontbrekende data, waardoor er geen extra computationele overhead wordt geïntroduceerd vergeleken met imputatievrije baselines.
4. Closed-Form Fusie: Het gebruik van de Dempster–Shafer theorie maakt een principiële, closed-form aggregatie van multimodale bewijslast mogelijk, waardoor wordt gewaarborgd dat ontbrekende inputs geen invloed uitoefenen op de beschikbare data.

Experimentele Resultaten

De auteurs evalueerden EMMS op vier kankercohorten uit The Cancer Genome Atlas (TCGA): BRCA, LUAD, STAD en KIRC.

• Prestaties bij Volledige Data: In de 0% ontbrekende modaliteit setting bereikte EMMS state-of-the-art (SOTA) prestaties in termen van Concordance Index (C-index) en Integrated Brier Score (IBS) over de meeste datasets, waarbij het baselines zoals DisPro, MUSE en Flex-MoE overtrof.
• Robuustheid onder Ontbrekende Data: Onder een 60% ontbrekende modaliteit rate presteerde EMMS consistent beter dan alle baselines over alle datasets en evaluatie-instellingen (pathologie-alleen, genomics-alleen, en complete-modaliteit). Het toonde superieure robuustheid waar andere modellen significante prestatievermindering vertoonden.
• Kalibratie: Kalibratieplots gaven aan dat EMMS-voorspellingen dichter bij de ideale diagonaal bleven vergeleken met baselines, met een lagere Mean Absolute Deviation (MAD). Dit suggereert dat het model betrouwbaardere vertrouwensschattingen biedt.
• Efficiëntie: Vergelijkingen van de trainingstijd lieten zien dat EMMS qua snelheid vergelijkbaar is met de imputatievrije baseline MUSE en aanzienlijk sneller is dan de imputatiegebaseerde DisPro.

Betekenis en Claims

Het artikel claimt dat EMMS een schaalbare, computationeel effectieve en theoretisch gefundeerde oplossing biedt voor gepersonaliseerde geneeskunde in realistische klinische settings waar de volledigheid van data niet gegarandeerd kan worden.

Door gebruik te maken van de Dempster–Shafer theorie overbrugt het model de kloof tussen voorspellende prestaties en onzekerheidsbewustzijn. Het stelt klinische beslissingsondersteunende systemen in staat om "hun eigen onwetendheid te signaleren" wanneer data ontbreken, waarbij onderscheid wordt gemaakt tussen ruis en een gebrek aan kennis. De auteurs benadrukken dat deze aanpak SOTA discriminatie en kalibratie bereikt zonder de risico's van datahallucinatie of de computationele last van generatieve imputatie, wat het een levensvatbare kandidaat maakt voor implementatie in heterogene klinische omgevingen.