治疗方案一多，麻烦就像每道菜只有一两位食客打分：很难判断哪道菜真正适合谁。个体化治疗规则（ITR）要根据患者特征挑选预计效果最好的方案，但每个治疗臂样本太少时，逐项估计往往不稳定。这篇论文提出 NSCF：不按药名或表面属性分类，而按不同患者条件下呈现的疗效模式，把相近方案自动归为一组，共享有限数据。
具体来说，它先用神经网络学习患者差异和治疗效果，再融合反应相近的“治疗嵌入”——模型中代表各方案的一组数字；嵌入相同，意味着两种治疗对各类患者采用同一套效果函数。模型沿着不同聚类强度生成候选分组，再用验证数据选择，并按选定分组重新拟合。作者报告，在一项固定表示的对照中，两种融合设置在 60 次里有 59 次选出相同分组，说明分组结果在该实验中较稳定。它适合疗效确有共享结构的场景；作者也明确指出，完整交替算法的收敛性仍是开放问题。