在医学影像分析领域，精准的病灶分割对疾病诊断、治疗规划和疗效评估至关重要。然而，高质量标注数据的稀缺严重限制了分割方法的实际应用。尽管半监督学习能够缓解标注成本高的问题，但在面对复杂病灶、模糊边界等挑战时仍难以满足临床精度需求。此外，计算机断层扫描（CT）、磁共振成像（MRI）等多模态影像虽然能够提供丰富的互补信息，如何在半监督框架下有效融合多模态特征并充分利用大量未标注数据，仍是当前亟待解决的关键难题。

为解决这一难题，北京大学物理学院颜学庆教授课题组联合计算机学院李胜研究员/汪国平教授课题组、北京大学肿瘤医院吴昊教授课题组，提出了一种新颖的半监督多模态医学图像分割方法，在仅使用少量标注数据的情况下，实现了对脑胶质瘤、鼻咽癌等复杂肿瘤的高精度自动分割。该研究成果“一种复杂场景下的半监督多模态医学图像分割方法”（Semi-Supervised Multi-Modal Medical Image Segmentation for Complex Situations）已被医学图像领域顶级国际会议MICCAI 2025（The 28th International Conference on Medical Image Computing and Computer Assisted Intervention）正式录用。本届会议投稿论文达到3677篇，录用率为29%。

该方法通过提出多阶段多模态特征融合策略，有效对齐并融合高分辨率的视觉特征。同时，通过引入模态感知特征增强模块，突出关键模态特征，抑制无关信息。为进一步促进不同模态间的协同学习，通过设计对比互学习策略，利用未标注数据以提升分割模型的泛化能力。实验结果表明，在脑胶质瘤和鼻咽癌分割任务中，该方法性能显著优于现有的先进半监督方法。

未来本方法拟应用于光子、电子、质子等多种放疗模式的影像分割任务，支持自动靶区勾画，推动AI在放射治疗计划中的落地应用，提升临床诊疗效率与精准性。也将进一步从医学物理肿瘤诊疗专域大语言模型起步，逐步升级为融合多模态医学影像、病历、实时监测数据的全周期医疗健康大模型群，具备疾病精准识别、疗效预测、治疗辅助、个性化健康管理等能力，面向医生、患者及健康管理平台，从肿瘤诊疗切入，提高在健康医疗领域如智慧医疗、远程诊疗、AI辅助决策等领域的核心竞争力，补充大模型在肿瘤诊疗的版图。

论文第一作者为课题组博士研究生孟冬冬，颜学庆教授与李胜研究员为共同通讯作者。本工作得到国家重点研发计划和国家自然科学基金的资助。

论文原文链接：https://link.springer.com/chapter/10.1007/978-3-032-04984-1_47