マルチモーダルな臨床データにおける共有表現とタスク固有表現の分解

要旨: 実世界の臨床データは本質的にマルチモーダルであり、複数の関連するアウトカムを共同で評価するという実務上の必要性を反映する相補的な根拠を提供します。マルチタスク学習はアウトカム間で情報を共有することで効率を高められるものの、既存の手法は共有表現学習とアウトカム固有のモデリングのバランスを取れないことが多いです。ハード・パラメータ共有は、タスクの勾配が競合する場合にネガティブ・トランスファーを引き起こし得ます。一方で、柔軟な共有は共有シグナルとタスク固有シグナルをなおも絡め合わせてしまう可能性があります。これに対処するために、本研究では、マルチモーダル融合のための統一Transformerに基づくマルチタスクの枠組みを提案し、さらに患者表現を共有部分とタスク固有部分の部分空間に分解するための直交タスク分解（OrthTD）を加えます。そして、冗長性を減らしタスク固有シグナルを分離するために幾何学的な直交性の制約を課します。OrthTDを、4つのアウトカムを予測するための実世界の外科患者コホート（12,430人）で評価しました。OrthTDは平均AUC（受信者動作特性曲線下面積）87.5%および平均AUPRC（精度-再現率曲線下面積）37.2%を達成し、高度な表形式手法およびマルチタスク手法を一貫して上回りました。とりわけOrthTDはAUPRCにおいて大きな改善を示しており、不均衡な臨床データの中で希少な事象を同定する性能が優れていることを示唆します。これらの結果は、冗長でない共有表現とタスク固有表現を強制することで、マルチモーダルな臨床データから複数アウトカムの予測を改善できることを示しています。