本文介绍了多种基于多模态融合的癌症生存预测框架，如MultiCoFusion、TTMFN和SELECTOR。这些框架结合病理图像和基因表达数据，特别是在小数据集上，通过额外监督和密集融合优化结果，展现出优于传统方法的性能，显著提高癌症患者生存率预测的准确性。

该文综述了利用深度学习和多模态数据预测癌症患者生存预后的研究，涵盖乳腺癌、肺癌、肾细胞癌和结直肠癌。方法整合病理图像、CT、PET/CT及临床数据，采用跨模态融合、自监督学习和多任务学习等技术，在生存风险分层和个性化治疗决策上取得优于现有方法的预测性能。