CMGL：置信度引导的癌症亚型分类多组学图学习

arXiv:2604.24201v2 公告类型：替换 摘要：动机：多组学整合可以提升癌症亚型分类性能，但不同癌症类型和患者之间的模态信息量与噪声水平存在差异。大多数针对多组学数据的图方法都在下游分类目标中学习模态贡献，却将每位患者的预测可靠性隐式化。因此，信息量不足的模态可能削弱融合表示，而不可靠的组学数据则可能在图传播过程中引入带噪声的患者关系。为解决这两个问题，我们提出了 CMGL，该方法在融合前生成独立的可靠性估计，并利用共识患者邻域进行图分类。结果：CMGL 通过证据深度学习估计每位患者的模态置信度，在多组学融合过程中固定这些置信度值，并在独立指定的一致性图上执行分类。在四项 MLOmics 癌症亚型任务和 32 类泛癌任务中，CMGL 均稳定优于最强基线；在四项单癌种任务中，其平均准确率领先基线 4.03%。其学习到的表示能够恢复乳腺浸润性癌（BRCA）的 PAM50 内在亚型；此外，在 BRCA 上训练的模型无需微调即可迁移至肾透明细胞癌（KIRC），并将患者分层为预后存在显著差异的群体。