本文介绍了一种名为Pathomic Fusion的多模态融合策略，结合组织学图像和基因组特征，以提高癌症患者生存预测的准确性。通过深度学习和自我监督学习，提出了互相引导的跨模态转换器（MGCT），在不同癌症数据集上表现优越，增强了模型的鲁棒性和普适性，克服了传统方法的局限性。

基于深度学习的计算病理学研究提出了互相引导的跨模态转换器（MGCT）和多模态变压器模型（PathOmics），旨在结合组织学和基因组特征，提高癌症患者预后的预测准确性。这些方法通过整合不同数据源，克服了异质性和复杂相互作用的挑战，实验结果显示其在多种癌症数据集上表现优越。