OrthTD

新的正交任务分解方法改进了多模态临床数据的预测

研究人员开发了一种新的多任务学习框架，称为正交任务分解（OrthTD），以更好地从多模态临床数据中解耦共享和任务特定信号。该方法使用统一的Transformer进行融合，并施加正交约束以减少冗余并分离特定的患者表示。在12,430名外科患者队列上评估了预测四个结果的性能，OrthTD的平均AUC为87.5%，平均AUPRC为37.2%，优于现有方法，尤其是在识别罕见事件方面。