의료 영상 및 다중 모달 임상 환경에서 누락된 모달리티 문제를 해결하기 위해, PI-NAIM이라는 새로운 이중 경로 아키텍처를 제안한다. PI-NAIM은 누락 정도에 따라 샘플을 최적화된 imputation 방식(통계적 imputation(MICE) 또는 딥러닝 기반 imputation(GAIN with temporal analysis))으로 동적으로 라우팅한다. 이 프레임워크는 (1) 낮은 누락률 샘플을 효율적인 통계적 imputation으로, 복잡한 패턴을 강력한 신경망으로 안내하는 지능형 경로 라우팅, (2) 누락 인지 임베딩을 활용하여 두 분기를 지능적으로 결합하는 교차 경로 attention fusion, (3) imputation 정확도와 다운스트림 작업 성능의 종단간(end-to-end) 공동 최적화를 통합한다. MIMIC-III 및 multimodal 벤치마크에 대한 실험에서 state-of-the-art 성능을 보였으며, RMSE 0.108 (vs. baseline 0.119-0.152)을 달성했고 사망률 예측에 대한 AUROC 0.812를 기록했다. PI-NAIM의 모듈식 설계는 누락된 센서 측정, 누락된 모달리티 또는 손상된 입력을 처리하는 비전 파이프라인에 원활하게 통합되어 현실 세계 시나리오에 대한 통합된 솔루션을 제공한다.
