综述：多模态医学人工智能中缺失模态鲁棒性研究综述

《Big Data and Cognitive Computing》：Missing-Modality Robustness in Clinical Multimodal Prediction: A Mechanism-Level Review

　　多模态医学人工智能（AI）整合了来自影像、组学、病理学和临床记录的互补证据，但医院部署通常会遇到结构不完整的输入。本综述综合了77项关于临床预测中缺失模态鲁棒性的算法研究，这些研究通过Scopus检索（2026年5月16日）和系统综述与荟萃分析优先报告条目（PRISMA）研究筛选路径选出，并将其归入三族分类法：插补与生成式重建（A族）、表征学习与鲁棒融合（B族），以及知识迁移与蒸馏（C族）。将各族与分割（Seg）、诊断（Dx）和生存预后（Surv）终点交叉列表，得到107个族-任务分配，其中B族出现频率最高（51个分配），而重建和关系迁移为空间保真度至关重要的场景提供了补充方法。缺失性按数据维度、时间阶段和选择机制进行刻画，每项研究都映射到这一联合空间中。在77项研究中，至少有23项（29.9%）通过测试时人工剔除临床输入来测试鲁棒性，6项（7.8%）评估了三个或更多缺失水平。临床转化需要在选择性采集条件下进行验证，包括可能存在的非随机缺失（MNAR）机制。因此，我们将分类法与明确的输入模式验证和机制感知评估相连接。我们概述了面向部署可信的缺失模态研究的基准、基础模型和联邦学习优先事项。