MMCTOP：用于临床试验结果预测的多模态文本化与混合专家框架

为应对高维生物医学信息学中多模态数据融合的挑战，我们提出了 MMCTOP，一个多模态临床试验结果预测框架，整合了跨越 分子结构表示、协议元数据与长篇资格叙述，以及 疾病本体的异构生物医学信号。MMCTOP 将模式引导的文本化与输入保真度验证与模态感知表示学习相耦合，其中特定领域的编码器生成对齐的嵌入，并由通过药物-疾病条件稀疏混合专家（SMoE）增强的 transformer 主干进行融合。该设计明确支持跨治疗与设计子空间的专业化，同时通过 top-k 路由维持可扩展的计算。在基准数据集上，MMCTOP 在精确率、F1 和 AUC 方面取得了优于单模态与多模态基线的一致提升，消融实验表明模式引导的文本化与选择性专家路由对性能与稳定性有实质性贡献。我们额外应用温度缩放以获得校准概率，确保为下游决策支持提供可靠的风险估计。总体而言，MMCTOP 通过结合受控的叙事归一化、上下文条件的专家融合以及旨在实现生物医学信息学中可审计性与可复现性的操作保障，推进了多模态试验建模。