MO-RiskVAE: Neuer Autoencoder für Risikobewertung bei Multiplem Myelom

Ein neu entwickelter multimodaler Variational Autoencoder, MO-RiskVAE, setzt neue Maßstäbe für die Vorhersage von Überlebensrisiken bei Patienten mit Multiplem Myelom. Durch die Kombination von vielfältigen Omics‑Daten und klinischen Merkmalen liefert das Modell eine ganzheitliche Sicht auf die Krankheitsprogression.

Traditionelle Autoencoder stoßen bei der Überlebensvorhersage an ihre Grenzen: Die üblichen Regularisierungsmethoden im latenten Raum führen häufig dazu, dass prognostisch wichtige Informationen verloren gehen. MO-RiskVAE untersucht systematisch, welche Aspekte der latenten Modellierung – von der Regularisierungskonstante bis zur Geometrie des Posterior – die Leistung tatsächlich bestimmen.

Die Ergebnisse zeigen, dass die Leistung stark von der Stärke und Struktur der Regularisierung abhängt. Eine moderate Entspannung der KL‑Regulierung verbessert die Trennschärfe der Risikogruppen deutlich, während alternative Divergenzen wie MMD und HSIC ohne angemessene Skalierung nur begrenzte Vorteile bieten. Darüber hinaus demonstriert die gezielte Gestaltung des latenten Raums eine bessere Ausrichtung der erlernten Repräsentationen auf die Überlebensgradienten.

Ein hybrides kontinuierlich‑diskretes Modell, das auf Gumbel‑Softmax basiert, steigert die globale Risikobewertung im kontinuierlichen Subraum, während gleichzeitig stabile diskrete Subtyp-Entdeckungen möglich bleiben. Diese Fortschritte markieren einen wichtigen Schritt hin zu robusteren, interpretierbaren Prognosemodellen in der Onkologie.