Previsione di sopravvivenza multimodale per NSCLC con gestione dei dati mancanti

I ricercatori hanno sviluppato un innovativo framework di sopravvivenza per il carcinoma polmonare non a piccole cellule (NSCLC) che gestisce i dati mancanti combinando tomografia computerizzata (CT), immagini istopatologiche a sezione intera (WSI) e variabili cliniche. Questo nuovo approccio utilizza modelli foundation (FM) per estrarre caratteristiche da ciascun tipo di dato e include un metodo che consente di combinare queste diverse fonti di dati, anche quando alcune informazioni sono mancanti. Il design garantisce che i dati di ogni paziente siano utilizzati sia durante l'addestramento che la valutazione, evitando la pratica comune di escludere i casi incompleti. Questa tecnica è particolarmente importante per affrontare le sfide dei piccoli gruppi di pazienti e dei dati mancanti, che spesso limitano l'efficacia dell'apprendimento profondo multimodale (MDL) nel prevedere gli esiti di sopravvivenza per NSCLC in stadio II-III non resecabile.