基于多门自注意力专家混合模型（MMAE）的2型糖尿病共病风险预测：一种端到端多任务学习方法

针对2型糖尿病（T2DM）共病风险预测中单任务模型忽略疾病间关联性的问题，研究人员提出了一种融合自注意力机制与共病扩散系数（CDC）的多任务学习模型MMAE。该模型通过捕捉疾病间复杂关联，显著提升了心血管疾病、慢性肾病等共病的预测精度（AUC-ROC达0.92），为临床决策支持系统提供了新范式。

　　

2型糖尿病（T2DM）全球患者已超5亿，其共病如心血管疾病、慢性肾病等极大加剧治疗难度。传统单任务学习（STL）模型虽能预测单一疾病风险，却忽视了疾病间复杂的相互作用，导致临床决策受限。例如，Charlson共病指数（CCI）等线性模型难以处理多维医疗数据，而现有深度学习模型又缺乏对疾病关联的量化评估。这一困境促使研究人员探索更智能的预测方法。

中国的研究团队在《Expert Systems with Applications》发表研究，提出多门自注意力专家混合模型（MMAE）。该模型整合三大模块：数据预处理模块清洗电子健康记录（EHR）中年龄、BMI等生理指标及HbA_1c等38项生化特征；多门混合模块通过自注意力机制筛选任务相关特征；共病扩散系数（CDC）模块量化疾病间影响强度。研究采用中国人口健康科学数据中心的3000例T2DM患者数据，对比8种基线模型验证性能。

研究结果

1. 模型性能对比：MMAE在AUC-ROC（0.92）和AUC-PR（0.88）上均优于XGBoost等基线模型，尤其在慢性肾病预测中提升显著。
2. CDC机制有效性：CDC通过加权疾病扩散路径，使模型对低发病率但高影响的疾病（如视网膜病变）识别率提升23%。
3. 临床决策支持：可视化界面展示患者个体化风险图谱，辅助医生制定干预策略。

结论与意义
该研究首次将多任务学习（MTL）框架引入T2DM共病预测，MMAE模型通过自注意力机制与CDC的协同作用，解决了数据不平衡和负迁移问题。其临床决策支持系统可帮助医生识别高风险患者，优化个性化治疗。未来可扩展至其他慢性病共病研究，推动精准医疗发展。作者Jianjin Yue等强调，模型需进一步验证跨人群适用性，但已为复杂共病管理提供了新思路。