在醫學影像分析領域，精準的病灶分割對疾病診斷、治療規劃和療效評估至關重要。然而，高質量標注數據的稀缺嚴重限制了分割方法的實際應用。盡管半監督學習能夠緩解標注成本高的問題，但在面對復雜病灶、模糊邊界等挑戰時仍難以滿足臨床精度需求。此外，計算機斷層掃描(CT)、磁共振成像(MRI)等多模態影像雖然能夠提供豐富的互補信息，如何在半監督框架下有效融合多模態特征并充分利用大量未標注數據，仍是當前亟待解決的關鍵難題。
為解決這一難題，北京大學物理學院顏學慶教授課題組聯合計算機學院李勝研究員/汪國平教授課題組、北京大學腫瘤醫院吳昊教授課題組，提出了一種新穎的半監督多模態醫學圖像分割方法，在僅使用少量標注數據的情況下，實現了對腦膠質瘤、鼻咽癌等復雜腫瘤的高精度自動分割。該研究成果“一種復雜場景下的半監督多模態醫學圖像分割方法”(Semi-Supervised Multi-Modal Medical Image Segmentation for Complex Situations)已被醫學圖像領域頂級國際會議MICCAI 2025(The 28th International Conference on Medical Image Computing and Computer Assisted Intervention)正式錄用。本屆會議投稿論文達到3677篇，錄用率為29%。
該方法通過提出多階段多模態特征融合策略，有效對齊并融合高分辨率的視覺特征。同時，通過引入模態感知特征增強模塊，突出關鍵模態特征，抑制無關信息。為進一步促進不同模態間的協同學習，通過設計對比互學習策略，利用未標注數據以提升分割模型的泛化能力。實驗結果表明，在腦膠質瘤和鼻咽癌分割任務中，該方法性能顯著優于現有的先進半監督方法。
未來本方法擬應用于光子、電子、質子等多種放療模式的影像分割任務，支持自動靶區勾畫，推動AI在放射治療計劃中的落地應用，提升臨床診療效率與精準性。也將進一步從醫學物理腫瘤診療專域大語言模型起步，逐步升級為融合多模態醫學圖像、病歷、實時監測數據的全周期醫療健康大模型群，具備疾病精準識別、療效預測、治療輔助、個性化健康管理等能力，面向醫生、患者及健康管理平臺，從腫瘤診療切入，提高在健康醫療領域如智慧醫療、遠程診療、AI輔助決策等領域的核心競爭力，補充大模型在腫瘤診療的版圖。
