基于自适应掩码的多模态掩码自编码器（Multi-MAE）在白癜风分期分类中的应用研究

针对白癜风分期中多模态数据标注困难与稀缺性问题，研究人员提出基于自适应掩码的多模态掩码自编码器（Multi-MAE），通过图像重建任务减少对标注数据的依赖，并采用预训练策略缓解数据不足。实验显示该模型在未标记皮肤图像数据集上分类准确率达95.48%，较MobileNet等8种模型提升2.58%-5.16%，为临床评估白癜风活动性提供有效工具。

　　

白癜风作为一种以皮肤脱色为特征的常见疾病，其分期诊断面临复杂挑战。多模态皮肤影像（如临床图像与伍氏灯图像）的联合分析可提供互补信息，但多模态数据标注难度高、样本量少的瓶颈制约了深度学习模型的性能。

为此，这项研究创新性地提出基于自适应掩码的多模态掩码自编码器（Multimodal Masked Autoencoder, Multi-MAE）。该模型通过构建图像重建任务降低对标注数据的依赖，并采用预训练策略突破数据稀缺限制，显著提升多模态特征提取能力。实验数据令人振奋：在未标记皮肤影像数据集上，模型对白癜风活动期/稳定期分类准确率高达95.48%，较MobileNet、DenseNet、VGG、ResNet-50、BEIT、MaskFeat、SimMIM和MAE等8种对照模型提升2.58%-5.16%。

这些发现证实，Multi-MAE能有效区分白癜风不同病理阶段，其卓越性能使其有望成为临床评估皮损严重程度的智能化辅助工具，为精准医疗提供新范式。