M2EF-NNs：用于癌症生存预测的多模态多实例证据融合神经网络

提出了一种名为TTMFN的新型框架，结合病理图像和基因表达数据，实现患者生存预测的最佳性能。

新框架FORESEE通过挖掘多模态信息，解决多模态数据缺失问题，提高生存预测的准确性。

提出的多模态证据融合网络（MEFN）有效整合PET和CT图像中的互补信息，提高肿瘤分割的准确性和可信度。

基于ResNet-152和SGCN的多模态融合框架MultiCoFusion在肿瘤生存分析和癌症等级分类中表现优于传统方法。

基于深度学习和Dempster-Shafer理论的融合框架在医学图像分割中表现出优异的准确性和可靠性。

跨模态注意力多模态融合管道在非小细胞肺癌患者生存预测中取得了良好的实验结果。

新型深度多模态分割-预测模型能够从PET/CT图像中进行肿瘤分割和生存预测，适应不同治疗的患者差异。

研究提出的综合多模态特征集成方法在乳腺癌患者个性化治疗决策中取得了优于现有方法的预测性能。

融合-分叉学习框架在头颈部PET-CT图像的生存预测中表现优于现有方法。

通过整合组织病理图像、遗传数据和临床数据，提出的新方法提高了生存预测的准确性，为个性化治疗提供支持。