본 논문은 임상시험 결과 예측을 위한 새로운 사전 학습 접근 방식인 CLaDMoP를 제안합니다. 기존 모델들이 특정 과제 손실 함수를 사용하여 단계별 데이터를 학습하는 것과 달리, CLaDMoP는 대규모 언어 모델을 활용하여 임상시험의 적격 기준을 인코딩하고 약물-분자 정보와 융합하는 다중 수준 융합 기법을 사용합니다. 계산 비용을 줄이기 위해 그룹화 블록을 도입하고, "쌍 매칭" 보조 과제를 통해 사전 학습하여 과제 특정 목표에 대한 의존성을 피합니다. 제안된 모델은 Successful Clinical Trials (SCT) 데이터셋을 사용하여 평가되었으며, 기존 Zero-shot 및 Few-shot 기법들에 비해 PR-AUC와 ROC-AUC 성능이 크게 향상되었고, 특히 1상 및 2상 시험에서 효과적임을 보였습니다. MEXA-CTP 등 최첨단 지도 학습 기반 모델과 비교하여 Parameter-Efficient Fine-Tuning 후에도 PR-AUC 최대 10.5%, ROC-AUC 최대 3.6% 향상을 달성했습니다. 코드와 SCT 데이터셋은 GitHub에서 공개됩니다.
