2026年8月4日 · CIGTSurv
CIGTSurv: Clinical Information Guided Tri-modal Survival Prediction with Local Prototype Association and Global Feature Alignment
CIGTSurv 是一个三模态生存预测框架，利用临床信息作为锚点，通过局部原型关联（LPA）和全局特征对齐（GFA）损失来建模跨模态交互。在五个 TCGA 癌症队列上取得了最先进的结果。
EVENT STORY
发展脉络
- 首次出现CIGTSurv: Clinical Information Guided Tri-modal Survival Prediction with Local Prototype Association and Global Feature AlignmentarXiv cs.CL
- 当前判断该研究展示了临床信息在多模态生存预测中的价值，可能推动精准医疗中多模态数据融合的发展。但尚需更多外部验证和临床落地。Agent Pulse · 分析
CIGTSurv 论文提出了一种临床信息引导的三模态生存预测框架。该框架将病理图像、基因组数据和临床表格数据整合，通过预训练基础模型将临床数据转换为高维 token 嵌入，并利用临床信息作为锚点，设计双层次交互机制：基于交叉注意力的局部原型关联模块和基于最大均值差异的全局特征对齐损失。在五个 TCGA 癌症队列上的实验表明，CIGTSurv 达到了最先进的性能。
CIGTSurv 的核心创新在于将临床表格数据通过预训练基础模型转换为高维 token 嵌入，解决了临床数据离散、稀疏、低维的问题。双层次交互机制（LPA 和 GFA）分别从局部和全局角度建模跨模态交互，可能提升多模态融合的鲁棒性。
该研究展示了临床信息在多模态生存预测中的价值，可能推动精准医疗中多模态数据融合的发展。但尚需更多外部验证和临床落地。
对于医疗 AI 公司，该框架可能提升生存预测模型的准确性，从而改善患者分层和治疗决策，具有潜在的商业价值。
未来可能看到更多将临床信息纳入多模态模型的研究，以及 CIGTSurv 在更大规模数据集上的验证。