LeMoF: Level-gesteuerte Fusion steigert klinische Vorhersagen

In der medizinischen Datenanalyse hat die Integration heterogener Informationen – wie elektronische Gesundheitsakten (EHR) und Biosignale – lange Zeit mit statischen Modality‑Integrationsstrategien zu kämpfen gehabt. Diese Ansätze nutzen oft nur einfache Fusionstechniken und schöpfen das volle Potential der einzelnen Modalitäten nicht aus.

Das neue Framework LeMoF (Level‑guided Modal Fusion) löst dieses Problem, indem es gezielt repräsentationsbasierte Ebenen innerhalb jeder Modality kombiniert. Jede Ebene entspricht einer Darstellung, die aus einer anderen Schicht des Encoders stammt. LeMoF trennt dabei globale Modality‑Level‑Vorhersagen von spezifischen, diskriminativen Repräsentationen, was eine ausgewogene Balance zwischen Stabilität und Unterscheidungsfähigkeit ermöglicht.

Bei umfangreichen Tests zur Vorhersage des Verbleibs in der Intensivstation (ICU) übertrifft LeMoF bestehende multimodale Fusionstechniken konsequent, unabhängig von der eingesetzten Encoder‑Konfiguration. Die Ergebnisse zeigen, dass die Ebene‑weise Integration ein entscheidender Faktor für robuste Vorhersagen in unterschiedlichen klinischen Szenarien ist.