一、案例背景
1.1 多模态医疗影像分析的兴起与隐忧
医学影像诊断长期依赖单一模态成像，但临床实践中，医生往往需要综合核磁共振（MRI）的多种序列——如T1加权、T2加权、FLAIR（液体衰减反转恢复）等——才能对病灶做出准确判断。近年来，人工智能辅助诊断系统开始尝试将多模态影像数据融合，以期获得超越单一模态的分割与识别精度。多模态融合由此成为医疗AI领域最受关注的技术方向之一。
然而，一个被广泛忽视的悖论正在浮现：多模态并非越多越好。在实际临床场景中，不同MRI序列的采集时间、扫描参数、分辨率往往存在显著差异。当T1序列以高分辨率采集、而T2和FLAIR序列以较低分辨率采集时，即便经过空间对齐处理，低分辨率序列经重采样放大后所含的信息也远不如高分辨率序列可靠。这些”低质模态”不仅自身贡献有限，更可能在融合过程中将重采样伪影注入高质量模态，导致”融合反而不如单模态”的异常结果。
华中师范大学计算机学院Yuchen Pei、Xiaoyu Hu等研究者联合华中科技大学、广州中医药大学及其第一附属医院、北卡罗来纳大学教堂山分校的跨机构团队，在2026年ACM Multimedia（ACM MM 2026）会议上发表的论文《When Fusion Fails: Corruption-Aware Rebalanced Fusion for Multi-Modal Medical Image Segmentation》，正是对这一”融合失效”问题的系统性回应。该团队提出的CoReFuse-Med方法，以”先净化再融合”为核心思路，从浅层污染和深层模态偏置两个维度对症下药，在EPVS（血管周围间隙扩大）、BraTS（脑肿瘤分割）和WMH（脑白质高信号）三个公开数据集上取得了优于现有主流方法的表现。
1.2 研究团队的构成与协作模式
CoReFuse-Med研究团队呈现出鲜明的跨学科、跨机构特征。核心作者来自华中师范大学计算机学院，合作方包括华中科技大学（在计算机科学与医学交叉领域具有深厚积累）、广州中医药大学及其第一附属医院（提供临床医学视角与数据支持）以及北卡罗来纳大学教堂山分校（在医学影像分析领域具有国际影响力）。这种”计算机科学+临床医学+国际协作”的团队结构，使得研究既能紧扣技术前沿，又能回应真实临床痛点。
……