摘要：基于多模态数据的精准癌症预后预测对于个体化治疗方案制定具有重要意义，但模态特异的技术噪声及异质性预后特征仍为该任务带来显著挑战。尤其是，全切片图像（WSI）与 mRNA 表达数据呈现出一种长期被忽视的非对称性：WSI通常具有较高稳定性，但其预后相关信息相对较弱；相比之下，mRNA 数据具有更强的预后关联性，却同时伴随较高的技术变异。现有多模态生存分析方法通常未显式建模这种“技术不确定性—预后重要性”之间的不对称关系，从而限制了跨模态融合的稳健性。为此，本文提出噪声感知解耦多模态生存网络（NADMSurv），将重要性—不确定性非对称关系作为多模态表征学习的核心原则。首先，设计重要性—不确定性双轨模块，通过特征预筛选与患者级噪声量化联合建模异质性预后模式；随后，引入噪声感知解耦机制，将多模态特征分解为共享表征与模态特异表征。进一步地，采用超图神经网络建模高阶患者相关性，并结合主观逻辑进行不确定性量化，最终通过交叉注意力和共识算子实现证据层面的多模态融合。在多个 TCGA 队列上的实验结果表明，NADMSurv 在 C-index 指标上持续优于现有先进方法。通过显式刻画不同模态的技术噪声特征并解耦重要性—不确定性非对称关系，NADMSurv 为稳健的多模态癌症生存预测提供了一种具有理论依据的建模范式。这项工作被国际医学图像计算领域顶会MICCAI2026录用。

Wenlong Ming, Wenbin Ye, Mingxin Liu, Depin Chen, Yiping Jiao, Jun Xu and Xiangxue Wang, Noise-Aware Importance–Uncertainty Disentangled Multimodal Learning for Robust Cancer Survival Prediction, MICCAI 2026: the 29th International Conference on Medical Image Computing and Computer Assisted Intervention, September 27-October 1, 2026.[Link to paper]