MIA-Prognosis：一种用于预测治疗反应的深度学习框架

准确预测临床结局具有重要意义，但仍是极具挑战性的任务。目前的研究致力于寻找与治疗反应和/或患者生存密切相关的显著生物标志物。然而，这些生物标志物通常成本高昂、侵入性强，且可能难以满足新型治疗方案的需求。另一方面，临床实践中持续生成大量多模态、异构且未对齐的时序数据。本文旨在提出一种统一的深度学习方法，利用易于获取的数据（如影像学、实验室检查及临床信息）实现患者预后与治疗反应的联合预测。以往研究多集中于单一数据模态的建模，或忽略了时间动态变化的影响。尤为重要的是，临床时序数据在实际中往往是异步的，即以不规则的时间间隔记录。为此，本研究将预后建模形式化为一个多模态异步时序分类任务，并提出MIA-Prognosis框架，整合测量（Measurement）、干预（Intervention）与评估（Assessment）三类信息以预测治疗反应。该框架中设计了一种简化的时序注意力机制（Simple Temporal Attention, SimTA），用于有效处理异步时序数据。在合成数据集上的实验验证了SimTA相较于标准RNN方法的优越性。此外，我们在一项自建的、回顾性的真实世界非小细胞肺癌患者队列数据集上进行了实验，该队列患者接受抗PD-1免疫治疗。结果表明，所提出的方法在预测免疫治疗反应方面表现优异，尤其值得注意的是，该预测模型能够进一步对长期生存风险进行分层，有效识别出低风险与高风险患者群体。