我们提出了一个集成框架，用于在多任务、多模态预测环境中进行自适应路由，其中数据异质性和任务交互在不同样本间存在差异。受心理治疗应用中结构化评估和非结构化临床记录与部分缺失数据和相关结果共存的启发，我们引入了一种基于路由的架构，该架构可根据每个样本动态选择模态处理路径和任务共享策略。该模型定义了多种模态路径，包括文本和数字特征的原始表示和融合表示，并学习将每个输入路由到信息量最大的专家组合。特定任务的预测由共享或独立负责人根据路由决策生成，整个系统采用端到端训练。我们使用合成数据和真实的心理治疗记录来评估该模型在抑郁和焦虑结果预测方面的表现。实验结果表明，所提出的方法始终优于固定的多任务或单任务基线，并且学习到的路由策略提供了对模态相关性和任务结构的可解释性洞察。这解决了个性化医疗中的一个关键挑战，因为它能够实现考虑数据异质性和任务相关性的个体自适应信息处理。当应用于心理治疗时，该框架可以改善心理健康结果，提高治疗分配的准确性，并通过个性化干预策略提高临床成本效益。
