Resumen: El análisis de supervivencia preciso e interpretable sigue siendo un desafío central en oncología. Con los crecientes datos multimodales y la necesidad clínica de modelos transparentes para respaldar la validación y la confianza, este desafío aumenta en la complejidad. Proponemos un marco de IA multimodal interpretable para automatizar el análisis de supervivencia integrando variables clínicas e imágenes de tomografía computarizada. Nuestro marco basado en multifix utiliza el aprendizaje profundo para inferir características relevantes para la supervivencia que se explican más a fondo: las características de imágenes se interpretan a través de la cámara graduada, mientras que las variables clínicas se modelan como expresiones simbólicas a través de la programación genética. La estimación de riesgos emplea una regresión transparente de Cox, lo que permite la estratificación en grupos con distintos resultados de supervivencia. Utilizando el conjunto de datos Radcure de código abierto para el cáncer de cabeza y cuello, Multifix logra un índice C de 0.838 (predicción) y 0.826 (estratificación), superando los enfoques de referencia clínicos y académicos y alineando con marcadores de pronóstico conocidos. Estos resultados resaltan la promesa de IA multimodal interpretable para oncología de precisión con multifix.
Publicado Originalme en export.arxiv.org El 28 de septiembre de 2025.
Ver Fuente Original
