整合式迁移网络：跨群体与预测目标的深度迁移学习

大规模临床和生物医学数据集日益同时包含多样化的亚组属性（如人口统计学或临床亚组）以及多个预测目标。尽管各种机器学习方法能够处理亚组差异或多目标预测，但它们通常是分别而非联合地考虑这些方面。为了更有效地捕捉此类复杂数据集中共享的信息和亚组特异性信息，我们提出了整合迁移网络（Integrative Transfer Network，ITN），这是一种深度神经网络，旨在同时利用跨亚组数据以及多个相关结局的信息。在广泛的实验中，包括存在人口统计学亚组和多个疾病终点的生存时间任务与分类任务，ITN 通过借助其他亚组和结局的信息，在亚组特异性预测方面表现出持续的性能提升。我们设想 ITN 可作为一个统一框架，用于从异质性数据集中学习，尤其适用于亚组特异性洞见至关重要的情形。

大规模临床和生物医学数据集日益同时包含多样化的亚组属性（例如人口统计学或临床亚组）以及多个预测目标。尽管各种机器学习方法能够处理亚组差异或多目标预测，但它们往往将这些方面彼此独立地加以考虑，而非联合建模。为更有效地捕捉此类复杂数据集中共享信息与亚组特异性信息，我们提出了整合迁移网络（Integrative Transfer Network, ITN），这是一种旨在同时利用跨亚组数据和多个相关结局的深度神经网络。在广泛的实验中，包括在人口统计学亚组和多个疾病终点普遍存在的生存时间分析任务与分类任务中，ITN 通过借助其他亚组和结局的信息，在亚组特异性预测方面表现出持续的性能提升。我们设想 ITN 可作为一个统一框架，用于从异质性数据集中学习，其中亚组特异性洞见至关重要。

感谢您有意帮助传播 bioRxiv 的信息。

📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.06.12.731936v1?rss=1

🏷️ 深度迁移学习 多任务学习 临床预测 亚组异质性 生存分析