FenixEdu™

Dissertação

Mitigating Performance Loss Due to Missing Modalities: A Multimodal Generative Model Approach to Robust Cancer Classification EVALUATED

Detalhes: A aprendizagem profunda multimodal que integra dados como Imagens de WSI, CNV e perfis transcriptómicos é importante para a classificação e prognóstico robustos de cancro. No entanto, conjuntos de dados médicos no mundo real são altamente inconsistentes e apresentam dados em falta, limitando severamente a utilidade de modelos em cenários clínicos. Esta tese propõe um Multimodal Beta-Variational Autoencoder (MVAEC) para resolver este desafio, gerando substitutos fiáveis para modalidades em falta a partir de um espaço latente unificado. A arquitetura MVAEC incorpora o Modality Dropout para impor robustez e utiliza a Classificação como Regularizador para garantir que as características geradas são específicas para a tarefa e discriminativas. A avaliação confirmou que o MVAEC mapeou com sucesso os tipos de cancro (LUAD, LUSC, ccRCC) num espaço latente altamente diferenciado, demonstrando fortes representações partilhadas. Quando testadas em dados em falta para a classificação do tipo de cancro, as reconstruções do MVAEC mitigaram significativamente a degradação do desempenho em comparação com uma imputação \textit{baseline}. Os resultados mostraram que os dados de CNV foram a modalidade mais informativa para a classificação do tipo de cancro, enquanto os dados de WSI se revelaram críticos para a previsão de sobrevivência a 12 meses. Esta estrutura oferece uma solução robusta para manter o desempenho preditivo, apesar da disponibilidade inconsistente de dados.
Keywords: Aprendizagem Multimodal, Modalidades em Falta, Modelo Generativo, Classificação de Cancro, AutoEncoder Variacional

Discussão: dezembro 5, 2025, 14:0

Documentos da dissertação ainda não disponíveis publicamente