다중 작업, 다중 모드 예측 설정에서 데이터 이질성과 작업 상호 작용이 샘플마다 다르게 나타나는 경우를 위한 적응형 라우팅의 통합 프레임워크를 제안합니다. 구조화된 평가와 비구조화된 임상의 노트가 부분적으로 누락된 데이터와 상관된 결과와 공존하는 정신 요법 응용 분야에서 영감을 받아, 샘플별로 모달리티 처리 경로와 작업 공유 전략을 동적으로 선택하는 라우팅 기반 아키텍처를 도입합니다. 이 모델은 텍스트 및 숫자 특징의 원시 표현과 융합된 표현을 포함한 여러 모달리티 경로를 정의하고, 각 입력을 가장 유익한 전문가 조합을 통해 라우팅하도록 학습합니다. 작업별 예측은 라우팅 결정에 따라 공유 또는 독립적인 헤드에 의해 생성되며, 전체 시스템은 종단간으로 훈련됩니다. 우울증 및 불안 결과 예측을 위해 합성 데이터와 실제 정신 요법 노트를 모두 사용하여 모델을 평가합니다. 실험 결과, 제안된 방법이 고정된 다중 작업 또는 단일 작업 기준선을 일관되게 능가하며, 학습된 라우팅 정책이 모달리티 관련성 및 작업 구조에 대한 해석 가능한 통찰력을 제공한다는 것을 보여줍니다. 이는 데이터 이질성과 작업 상관 관계를 고려하여 개인별 적응형 정보 처리를 가능하게 함으로써 개인 맞춤형 의료의 중요한 과제를 해결합니다. 정신 요법에 적용하면, 이 프레임워크는 정신 건강 결과를 개선하고, 치료 배정 정확도를 향상시키며, 개인 맞춤형 중재 전략을 통해 임상적 비용 효율성을 높일 수 있습니다.
