内容形式：摘要译文
肺腺癌（LUAD）的准确预后评估需要将高维转录组谱与精简但临床稳定的患者协变量相结合。朴素的融合策略会使高方差的 RNA-seq 模态主导学习到的表征，从而抑制临床信号。我们提出协作式模块化表征学习（CMRL），这是一种由不确定性门控的多模态框架，可根据通过证据深度学习（EDL）估计的样本级认知不确定性，动态调节模态间的信息流。每个模态编码器都会生成一个潜在嵌入和一个标量不确定性分数；自适应通信门则控制每个模块利用另一个模块发送的信息更新自身表征的程度。转录组编码器上的变分信息瓶颈（VIB）进一步抑制高维基因组潜在空间中的噪声。我们在 490 名具有匹配 RNA-seq（504 个特征）和临床数据的 TCGA-LUAD 患者中，通过 5 折分层交叉验证评估 CMRL。在 3 年生存预测任务中，CMRL 的一致性指数（C-index）为 0.732 {+/-} 0.024，AUROC 为 0.772 {+/-} 0.019，AUPRC 为 0.773 {+/-} 0.056，优于拼接融合基线（C-index 为 0.656）、仅使用 RNA 的模型（0.711）和仅使用临床数据的模型（0.670），也优于若干已发表的 LUAD 生存模型，包括 CustOmics（0.625）和一种全切片成像方法（0.675）。消融研究证实，不确定性门控和证据头各自都对性能提升作出了独立贡献。校准分析得到的期望校准误差为 0.122；按不确定性分层的评估显示，低不确定性患者的 AUROC 为 0.795，而高不确定性患者为 0.681，为以下结论提供了可解释的证据：
门控机制正按预期发挥作用。
关键词：肺腺癌 · 生存预测 · 多模态学习 · 转录组分析 · 不确定性估计
原文链接：https://www.biorxiv.org/content/10.64898/2026.08.22.746396v1?rss=1