编辑推荐：
随着全球老龄化加剧，慢性病成为老年健康管理难题。研究人员开展多任务学习多模态网络用于慢性病预测的研究，构建模型同时预测糖尿病、心脏病等疾病风险，发现其性能与单任务学习模型相当且参数更少，为临床决策提供支持。
在人口老龄化的浪潮下，慢性病如同隐藏在暗处的 “健康杀手”，逐渐成为老年健康管理的核心挑战。想象一下，在医疗资源有限的情况下，传统的慢性病预测方法却需要为不同疾病分别构建模型，这不仅耗费大量时间，还对计算资源提出了极高要求，就像在错综复杂的迷宫中寻找出口，每一次尝试都艰难且低效。同时，这些方法往往忽略了多种慢性病之间千丝万缕的联系，导致预测结果不够全面和准确。因此，如何找到一种更高效、更精准的慢性病预测方法，成为了医学领域亟待解决的关键问题。
为了攻克这一难题，来自台湾大学等机构的研究人员踏上了探索之旅。他们开展了多任务学习多模态网络用于慢性病预测的研究，旨在打破传统预测方法的局限。研究人员利用台湾地区的全国性数据集，构建了结合多任务学习（MTL）的多模态疾病预测模型，通过患者的医疗记录和个人信息，同时预测糖尿病、心脏病、中风和高血压这四种常见慢性病的发病风险。
这项研究意义重大。一方面，该模型在预测这四种慢性病时，性能与单任务学习（STL）模型相当，却只需少量额外参数，这大大提高了计算效率，降低了资源消耗，为在资源受限的环境中开展慢性病预测提供了可能。另一方面，模型通过注意力分数分析，识别出了与以往研究相符的风险因素，增强了模型的可解释性，有助于医生更好地理解疾病预测的依据，从而为临床决策提供更有力的支持。该研究成果发表在《Scientific Reports》上。
在研究过程中，研究人员运用了多种关键技术方法。他们从台湾健康福利数据科学中心获取了 200 万人的随机抽样医疗记录作为样本队列。利用预训练的 ICD Word2Vec 模型将国际疾病分类（ICD）代码转化为嵌入向量，以此更好地表示疾病特征。构建了单任务学习（STL）疾病预测模型和多任务学习（MTL）疾病预测模型，其中 MTL 模型采用硬参数共享方式，有效捕捉疾病间的关系 。
下面来看看具体的研究结果：
- 数据可视化：对比标签编码、多热编码和 Word2Vec-based ICD 嵌入这几种编码方式，发现 Word2Vec-based ICD 嵌入能有效捕捉不同 ICD 代码之间的关系，对疾病的聚类效果更优，在可视化中能更清晰地区分患病和未患病患者。
- 性能：单任务与多任务学习对比：STL 和 MTL 在预测四种慢性病时都取得了较高的 AUC 分数，表明为痴呆预测开发的多模态架构也能有效预测慢性病，CTR 模型也可用于疾病预测。部分 MTL 结果优于 STL，暗示四种慢性病之间可能存在共享信息或共病情况。不过，在心脏病、糖尿病和中风预测中，模型存在较高的假阴性率（FNR），这可能是数据不平衡导致的。
- 参数数量：STL 与 MTL 对比：MTL 模型预测多种疾病时，相比 STL 模型只需少量额外参数，而 STL 模型预测四种疾病所需参数是单个 STL 模型的四倍，凸显了 MTL 在计算效率和存储优化方面的优势。
- 特征重要性：
- 医疗记录：通过随机掩码部分医疗记录进行研究，发现医疗记录对模型至关重要。即便掩码 50% - 60% 的医疗记录，模型仍能保持较高 AUC，显示出模型对医疗记录交互的有效利用和较强的鲁棒性。
- 个人信息：利用排列特征重要性评估个人信息特征的影响，发现年龄对模型预测影响最大，性别和居住区域也可能是潜在因素，这与现有研究相符。
- ICD 可解释性：高注意力分数：选取预测分数最高的 2000 名患者，分析 ICD 代码对之间的注意力分数，识别出可改变的风险因素、共病因素和新兴因素，为进一步研究慢性病风险提供了新方向。
研究结论和讨论部分指出，该研究证实了多任务学习在同时预测多种慢性病方面的可行性，扩展了先前用于痴呆预测的多模态模型的应用范围。Word2Vec-based ICD 嵌入在优化特征空间方面具有重要作用，MTL 模型能够有效捕捉任务间的共享特征，提升整体性能。尽管模型在面对数据不平衡时存在假阴性率较高等局限性，但在结合临床判断的情况下，仍能为医生提供有价值的决策参考。未来研究可从简化模型输入、进行年龄分层分析、拓展长期疾病预测、解决数据不平衡问题以及预测年度疾病发病率等方向展开，有望进一步提升慢性病预测的准确性和实用性，为人类健康事业带来更多福祉。
