В статье представлен новый метод глубокого обучения CMVAE (Contrastive Masked Denoising Variational Autoencoder), предназначенный для анализа высокомерных омиксных данных и прогнозирования выживаемости пациентов с инвазивным раком молочной железы (BRCA). Метод решает проблему неполноты данных и низкого перекрытия пациентов между различными модальностями, используя самонастраивающуюся двухэтапную оптимизацию для отображения одноомной информации в латентное пространство, учитывающее клинические исходы. Архитектура применяет стохастическое маскирование признаков для искажения входных профилей, после чего модель одновременно восстанавливает отсутствующие молекулярные данные и обеспечивает контрастную согласованность траекторий выживаемости пациентов. Оценка проводилась на когорте TCGA BRCA с использованием надежной пятикратной стратифицированной перекрестной проверки без утечки данных. Результаты показали, что CMVAE превосходит традиционные методы обучения без учителя, достигая AUROC 0.7397 (+/- 0.0239) в задаче прогнозирования выживаемости. Статистический анализ выявил высоко значимую стратификацию риска между группами низкого и высокого риска (p < 0.0001). Кроме того, предложенный метод превзошел шесть современных базовых моделей многоомного анализа выживаемости как минимум на 3%, что подтверждает его эффективность и практическую ценность для персонализированной онкологии.