survival-prediction

本文提出了UMMT，一种基于Token级别的跨模态Transformer与对比多任务学习，用于乳腺癌亚型分类和生存预测，在METABRIC和TCGA-BRCA数据集上取得了最先进的结果。

SAGEAgent 是一种基于LLM的临床智能体，它依次决定为癌症患者获取哪些诊断模态，以平衡预测准确性与临床侵入性，在将获取负担降低55%的同时，保持具有竞争力的生存预测性能。

SHIFT是一种缺失感知的生存模型，利用掩码自注意力机制在不进行测试时插补的情况下从不完整基因组输入进行预测，在胶质母细胞瘤和肺鳞状细胞癌的多个队列中表现出强大的泛化能力。