我们提出了IMLSP框架，用于多标签多模态的头颈癌存活预测，能够同时预测多个存活结果并提供可视化解释。通过RADCURE HNC数据集评估，结果优于单模态和单标签模型。该模型关注肿瘤和淋巴结体积，证明多标签学习提升了效率和预后性能，有助于理解AI决策，促进个性化治疗。

提出了一种多模态变压器模型 (PathOmics)，将病理学和基因组学结合到结直肠相关癌症存活预测中。通过无监督预训练来捕捉吉格像素全幅图像和各种基因组数据之间的固有互动。验证结果表明该方法在TCGA结直肠癌队列上具有竞争力。

提出了一种多模态变压器模型 (PathOmics)，将病理学和基因组学结合到结直肠相关癌症存活预测中。该模型通过无监督预训练捕捉吉格像素全幅图像和基因组数据之间的互动。验证结果表明该方法在TCGA结直肠癌队列上具有竞争力。