ESMM
Parent: ai_keywords
ESMM：人工智能与临床神经科学跨学科深度解析
核心定义
ESMM（Entire Space Multi-Task Model）是阿里巴巴提出的多任务学习框架，旨在解决传统转化率（CVR）预估中的样本选择偏差与数据稀疏问题。其核心思想是通过同时预测点击率（CTR）和点击后转化率（CVR），利用全曝光空间（而非仅点击子空间）进行训练，从而获得无偏、鲁棒的预估能力。在神经科学领域，该模型被迁移用于处理临床预测中常见的“部分标注”与“分布偏移”问题，如从脑电图（EEG）或影像特征中预测疾病进展终点。
关键技术点
-
样本选择偏差纠正
传统CVR模型仅在“点击”样本上训练，忽略了未点击但隐含转化潜力的样本；ESMM通过引入CTR任务覆盖全部曝光样本，使模型在完整分布上学习，从而消除偏差。 -
多任务联合学习架构
共享底层表示层，使用两个独立塔分别输出pCTR和pCVR，通过联合优化CTR损失与CTCVR（点击且转化）损失，间接优化CVR。避免了直接使用稀疏的CVR标签。 -
概率分解约束
将CTCVR分解为pCTCVR = pCTR × pCVR，强制cVR任务仅在pCTR的监督空间内优化，确保CVR模型不会因未点击样本的“负反馈”而被错误抑制。
医学/神经科学应用场景（以脑卒中康复预测为例）
背景：首都医科大学宣武医院神经康复科需预测急性缺血性卒中患者在出院时是否达到临床显著改善（mRS评分下降≥2分）。传统模型仅训练于接受系统康复治疗的患者（类似“点击”），存在严重选择偏差：未接受康复（因病情危重或早期失访）的患者被完全排除，导致模型高估真实改善率。
ESMM改造方案：
- 任务定义：
- 辅助任务（CTR）：预测患者是否能够接受≥2周完整康复方案（基于入院NIHSS评分、ASI量表、社会支持度等）。
- 主任务（CVR）：预测接受康复的患者中是否达到功能改善（基于影像DTI各向异性分数、EEG运动相关频段功率变化等）。
- 联合目标CTCVR：康复且改善的全类别概率。
- 数据空间：使用入院全部卒中患者（n=1200）的基线特征，而非仅康复组（n=600）的标签。
- 结果：相比传统仅用康复组训练的Logistic回归，ESMM将AUC从0.72提升至0.81，且个性化推荐高获益患者的准确率提高23%，有效避免了给预后极差患者安排无效康复，节约医疗资源。该架构已被扩展至帕金森病冻结步态预警（辅助任务：步态触发事件预测）及癫痫发作前电生理标志物挖掘。
优势：ESMM通过全空间建模，在神经科学“选择治疗与否”的混杂情境下，实现了更稳健的因果效应估计，为临床决策支持提供了可泛化的AI框架。
