基于非配对多模态训练与单模态测试的子宫内膜异位症诊断方法研究

针对子宫内膜异位症诊断中TVUS（经阴道超声）和MRI（磁共振成像）数据非配对、单模态模型精度不足的问题，研究人员提出了一种创新的多模态分类器。该模型通过非配对数据联合训练，实现了MRI测试AUC从0.4755提升至0.8023，TVUS测试AUC稳定在0.8921，且无需人工干预子宫区域定位，为临床早期诊断提供了高效解决方案。

　　

子宫内膜异位症（Endometriosis）是一种困扰全球约1.76亿女性的慢性疾病，其诊断长期依赖有创的腹腔镜检查，平均确诊延迟达7-10年。尽管TVUS和MRI成为替代诊断手段，但TVUS高度依赖操作者经验，而MRI的判读准确率仅40%-69%。更棘手的是，患者通常仅接受其中一种检查，导致数据非配对，传统多模态学习方法难以适用。这一困境催生了澳大利亚阿德莱德大学团队的研究——他们开发出全球首个可灵活处理非配对TVUS/MRI数据的POD（Pouch of Douglas）闭锁自动分类器，成果发表于《Computerized Medical Imaging and Graphics》。

研究团队采用三大关键技术：基于3D MAE（掩码自编码器）的MRI自监督预训练、跨模态随机网络预测（Cross-modal Random Network Prediction）的算法改进，以及模态不确定性加权机制。其中8984例盆腔MRI的预训练数据集和临床TVUS/MRI子宫内膜异位症队列为模型提供了数据支撑。

研究结果

1. 方法论创新：通过引入模态不确定性估计，模型能动态调整TVUS与MRI特征的权重。当MRI特征模糊时，系统自动增强TVUS特征的主导性，反之亦然。
2. 性能突破：MRI测试AUC从单模态训练的0.4755跃升至0.8023，且TVUS测试AUC保持0.8921的高水平。MRI子宫区域自动定位功能消除了人工勾画需求。
3. 临床适配性：单一模型可处理两种模态输入，计算复杂度低于现有多模态分割方法，更适用于资源有限的医疗机构。

结论与意义
该研究首次实现了非配对多模态数据在子宫内膜异位症诊断中的协同增效。其核心价值在于：① 突破临床数据非配对的限制，通过算法创新将MRI诊断准确率提升68.7%；② 建立的TVUS/MRI双模态通用框架，为其他医学影像分类任务提供范式；③ 自动化的子宫定位和模态切换功能显著降低临床操作门槛。未来需在外部数据集验证泛化性，并优化3D MRI处理的能效比。这项技术有望将子宫内膜异位症的确诊时间从数年缩短至单次影像检查，对改善女性健康管理具有里程碑意义。