في عالم الطب الحديث، تكتسب عملية التعلم متعدد الوسائط (Multimodal Learning) أهمية متزايدة لتكامل بيانات المرضى المختلفة مثل الصور، والنصوص، والسجلات الصحية الشخصية. ولكن، يواجه هذا المجال تحديين أساسيين هما: أولاً، نقص الوسائط، حيث قد تكون مجموعات متعددة من البيانات غير متاحة خلال زيارة المريض، وثانياً، الديناميكيات الزمنية، بحيث يعتمد معنى التشخيص على تطور حالة المريض مع مرور الوقت.

في إطار معالجة هذه القضايا، تظهر LongMoE (Longitudinal Mixture-of-Experts) كإطار عمل مبتكر يدمج بين معالجة نقص الوسائط والديناميكيات الزمنية. يتضمن LongMoE وحدة استكمال ذكية تراعي السياق، بالإضافة إلى وحدة تقسيم مرنة تعتمد على الانتباه (Attention) لتحليل الأنماط الزمنية في تتابع الزيارات غير المنتظمة. كما يتميز بمشفر يدرك مسار تطور المرض، ويتيح اختيار الخبراء المخصصين بناءً على سياق كل مريض.

أثبتت التجارب على قواعد بيانات مثل ADNI وOASIS-3 وMIMIC-IV أن LongMoE يحسن من القوة التحليلية في ظل نقص الوسائط أو ضعف توافرها، ويظل تنافسياً حتى في الإعدادات الكاملة للوسائط. يُؤسس هذا العمل لقاعدة تصلح للأبحاث المستقبلية في التعلم السريري متعدد الوسائط الذي يراعي الزمن.