Multimodal Empirical Bayes Variational Autoencoders for Joint Longitudinal and Time-to-Event Modeling
作者: Anders Sjöberg, Nils Olsson, Marcus Baaz, Mats Jirstrand
分类: stat.ML, cs.LG
发布日期: 2026-07-15
💡 一句话要点
提出多模态经验贝叶斯变分自编码器以解决肿瘤生长与事件时间建模问题
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 经验贝叶斯 变分自编码器 肿瘤生长建模 时间事件分析 遗传协变量 多模态数据 药物开发 个性化医疗
📋 核心要点
- 现有方法在整合纵向肿瘤测量、缺失信息和遗传协变量方面存在挑战，难以在单一框架中进行有效建模。
- 论文提出的EB-VAE框架通过引入协变量条件的经验贝叶斯先验，结合潜在个体效应和风险模型，实现了联合建模。
- 实验结果显示，该模型在肿瘤体积分布和缺失模式的重现上表现优异，并且遗传条件显著改善了个体预测的准确性。
📝 摘要（中文）
纵向肿瘤测量、缺失信息和遗传协变量提供了关于治疗反应的互补信息，但在单一群体建模框架中整合这些数据源仍然具有挑战性。本文扩展了经验贝叶斯变分自编码器（EB-VAE）框架，以实现联合纵向和事件时间建模，并在肿瘤生长数据上进行了评估。该框架通过协变量条件的经验贝叶斯先验来表示个体间的变异性，同时解码器将这些潜在效应映射到肿瘤体积轨迹上。为了解决信息缺失问题，解码器增加了风险模型，从而实现肿瘤生长和缺失时间的联合预测。实验结果表明，该模型在皮肤黑色素瘤和乳腺癌实验中，遗传条件改善了个体水平的先验预测。
🔬 方法详解
问题定义：本文旨在解决如何在单一建模框架中有效整合纵向肿瘤测量、缺失信息和遗传协变量的问题。现有方法在处理这些多模态数据时存在局限性，难以捕捉个体间的变异性和时间事件的关系。
核心思路：论文提出的EB-VAE框架通过引入协变量条件的经验贝叶斯先验，利用潜在个体效应来建模个体间的变异性，同时结合风险模型来处理信息缺失，从而实现肿瘤生长和缺失时间的联合预测。
技术框架：该框架包括潜在变量的生成模型和解码器，解码器负责将潜在效应映射到肿瘤体积轨迹，并通过风险模型来预测缺失时间。整体流程涉及数据预处理、模型训练和结果评估等阶段。
关键创新：最重要的技术创新在于将经验贝叶斯先验与变分自编码器相结合，形成了一种灵活的概率框架，能够同时处理神经动态、机制结构和高维协变量。与现有方法相比，该框架更好地捕捉了个体间的异质性和时间事件的复杂关系。
关键设计：在模型设计中，采用了协变量条件的经验贝叶斯先验来正则化潜在效应，并使用混合解码器结构来平衡神经网络和半机制模型的优点。此外，损失函数的设计也考虑了联合预测的准确性和稳定性。
🖼️ 关键图片
📊 实验亮点
实验结果表明，混合解码器在恢复治疗效应参数方面与先前报告的非线性混合效应估计一致，同时在先验预测性能上与全神经解码器相当。该联合模型成功重现了持出个体的肿瘤体积分布和缺失模式，遗传条件显著提高了个体水平的预测准确性。
🎯 应用场景
该研究的潜在应用领域包括肿瘤学、药物开发和个性化医疗。通过更准确地建模肿瘤生长和缺失事件，该框架能够为临床决策提供支持，帮助医生制定更有效的治疗方案，提升患者的治疗效果和生存率。
📄 摘要（原文）
Longitudinal tumor measurements, dropout information, and genetic covariates provide complementary information about treatment response, but integrating these data sources within a single population modeling framework remains challenging. We extend the empirical Bayes variational autoencoder (EB-VAE) framework to joint longitudinal and time-to-event modeling and evaluate it on tumor growth data. The framework represents inter-individual variability using latent individual effects regularized by a covariate-conditioned empirical Bayes prior, while a decoder maps these latent effects to tumor-volume trajectories. To account for informative dropout, the decoder was augmented with a hazard model, yielding joint predictions of tumor growth and time to dropout. We further compared fully neural and hybrid semi-mechanistic decoder formulations and incorporated genomic covariates through a genetics-conditioned prior adaptation. The hybrid decoder recovered treatment-effect parameters broadly consistent with previously reported nonlinear mixed-effects estimates, while achieving prior predictive performance comparable to the neural decoder. The joint model reproduced both tumor-volume distributions and dropout patterns in held-out individuals, and genetic conditioning improved individual-level prior predictions in both cutaneous melanoma and breast cancer experiments. Stability selection identified several biologically plausible genetic indicators, including alterations in BRAF, NRAS, NF1, and MDM2. These results demonstrate that EB-VAE provides a flexible probabilistic framework for combining neural dynamics, mechanistic structure, time-to-event modeling, and high-dimensional covariates in pharmacometric applications.