在真实临床数据中，模态齐全的样本其实是少数：有的患者有影像却缺结构化检验，有的只有报告文本而原始影像已归档或由外院拍摄。本阶段实验室把重点放在多模态融合的两个基础问题上：影像与报告文本的配对对齐，以及模态缺失时的推理降级策略。
进展要点：
- 对齐：以胸部CT与放射报告为对象，用报告中的解剖部位与征象表述做弱监督信号，把图像区域与文本片段建立对应关系；在内部回顾性测试集上，配对噪声样本的定位准确率较纯图像基线提升约9个百分点。
- 缺失降级：训练阶段按比例随机屏蔽模态，推理阶段按可用模态动态加权，单模态输入下的AUC降幅由0.11收窄至0.04，避免出现“缺一项即不可用”的脆弱表现。
下一步计划：纳入检验指标的时序数据，验证跨时间尺度融合的稳定性；同时引入置信度阈值，在证据不足时明确输出“建议人工复核”，而不是给出诊断倾向。辅助定位，不替代医生判断，仍是本实验室的前提。
评论