NOAH：全患者旅程的長時多模態時間感知模型
為何重要
NOAH 開創性地將「生成式模型」引入長期臨床資產分析，跳脫了傳統辨別式模型在處理異質資料與預測未來的限制。它證實了在單一系統中整合影像、資料與文本進行時序推演的可行性，這對於開發具備自學習與預測能力的數位醫療 AI 系統具決定性意義。
隨著醫療數位化累積了海量的長期多模態病歷資料，現有 AI 模型往往難以捕捉真實臨床中複雜、不規則的時間動態與固有隨機性。為突破這些侷限，研究團隊開發了 NOAH，一個具備雙向時間整合與變分潛在空間的生成式 Transformer 模型，旨在統一處理並預測患者的多樣化軌跡。
- NOAH 是相關領域首個真正的全面生成式模型，支援自動回歸預測、零標分類及反事實幹預模擬。
- 模型訓練基礎源自 MIMIC 資料集系列，涵蓋 55.9 億筆臨床事件、 43.1 萬次住院及 29.9 萬名患者資料，並原生生醫學影像、時間序列與結構化/非結構化病歷。
- NOAH 在臨床結果偵測、 15 個 ICD 章節分類及 29 種合併症候群預測等任務上展現強勁效能。