PANDA：面向部分未配对多模态学习的原型锚定对齐，应用于阿尔茨海默MRI与TCGA病理

PANDA提出两阶段框架，针对多模态医学预测中辅助模态仅部分配对的问题。第一阶段从配对子集学习共享嵌入，并用辅助模态估计类原型；第二阶段仅用主模态数据训练模型，通过交叉熵加原型对齐实现迁移。在ADNI队列上，MRI分类AUC达0.868，较基线提升7.9个百分点；在TCGA肺癌生存预测中，两年OS的AUC提升3.5个百分点，C指数提升9.0点。

现有多模态方法通常要求训练和部署时所有模态完整配对，但现实中辅助模态常部分缺失或完全不可得。PANDA允许在辅助模态零配对的情况下训练，仍能从辅助数据迁移信息，并将推理限制在主模态，扩大了多模态学习的实际适用范围。

PANDA分两阶段：阶段一在配对子集上学习共享嵌入，并从辅助模态估计类别原型，将辅助信息压缩为类级表征；阶段二用全部主模态数据训练，通过对齐冻结的原型传递辅助知识。由于监督定义在类原型层面，对配对率不敏感，甚至支持零配对，本质是将辅助模态的信息转化为类级先验，从而绕过特征级对齐的约束。

对医疗AI产品，PANDA可降低对多模态数据完整性的依赖，允许在仅有部分PET、表格或基因数据的医院部署，仍能利用辅助信息提升主模态诊断性能。同时也减少推理计算量，因为无需在部署时收集或处理辅助模态，简化了临床落地流程。

• 在仅有MRI数据的医院中，利用历史配对数据训练的PANDA模型提升AD诊断准确率，降低1.5T MRI假阳性。
• 将PANDA应用于病理切片+基因表达场景，构建无需基因测序的生存预测产品，减少检测成本。
• 开发基于PANDA的医学影像分析工具，支持低配对率甚至零配对数据集的适配，扩大客户群。

• PANDA在外部不同扫描仪或人群中的泛化效果未在证据中验证。
• 辅助模态的类别原型质量对最终性能的影响机制未详细说明。
• 在真实临床部署中的推理延迟和计算资源需求未报告。
• 方法对其他疾病或非医疗领域数据的适用性未提及。