정확한 생존 예측은 두경부암의 개인 맞춤형 치료 계획 수립에 필수적이지만, 멀티모달 (Multimodal) 임상 데이터의 이질적이고 고차원적인 특성으로 인해 여전히 어려운 과제로 남아 있습니다. 딥 생존 모델 (Deep survival models)이 기존의 통계적 접근 방식보다 예측 성능을 향상시켰음에도 불구하고, 기존 방법들은 일반적으로 정적인 융합 전략 (Static fusion strategies)이나 시간적 무관성 모델링 (Temporally agnostic modeling)에 의존하여 구조화된 임상 워크플로우를 포착하는 능력이 제한적입니다. 본 연구에서는 멀티모달 생존 분석을 위한 이질적 계층적 유향 그래프 프레임워크인 ChronoSurv를 제안합니다. ChronoSurv는 주요 진단 단계와 정렬된 유향 그래프 (Directed graphs)를 사용하여 환자 케어를 진행 상황을 인식하는 임상 궤적 (Clinical trajectory)으로 표현합니다. 계층적 토폴로지 (Hierarchical topology)는 세밀한 (Fine-grained), 거친 (Coarse), 그리고 전역적 (Global) 표현을 통합하여 결측된 모달리티 (Missing modalities)에 대한 유연한 적응을 지원하며, 이질적 메시지 패싱 (Heterogeneous message passing)은 모달리티와 임상 단계 간의 복잡하고 비대칭적인 관계를 모델링합니다. 두 개의 공개 데이터셋에 대한 실험 결과, ChronoSurv는 통계적으로 신뢰할 수 있는 보정 (Calibration)을 유지하면서 최첨단 (State-of-the-art) 판별 성능을 달성함을 입증했습니다. 종합적인 어블레이션 연구 (Ablation studies)를 통해 각 아키텍처 구성 요소의 기여도를 추가로 확인하였으며, 이는 멀티모달 생존 예측을 위한 궤적 인식 그래프 모델링 (Trajectory-aware graph modeling)의 잠재력을 강조합니다.