人工智能（AI）与多模态医疗数据的整合是生物医学信息学中的新兴领域，旨在提升临床决策的准确性与效率。当前临床环境产生大量异构数据——涵盖医学影像（CT、MRI、PET及病理图像）、文本信息（电子病历）以及表型组学（高维"组学"谱系）。尽管单模态分析已取得显著进展，但多源数据的融合与协同解释仍是重大挑战。AI领域的最新突破，特别是大型语言模型（LLMs）和分布式模型，为多模态医疗数据集提供了技术可能性。然而，现有方案在实现稳健且可临床转化的诊断、预后评估及治疗规划方面仍存局限。关键问题涉及模型可解释性、数据标准化、隐私保护以及AI工具在真实环境中的可靠性验证。此外，影像生物标志物验证、可扩展融合算法开发及真实世界临床应用等关键领域亟需深入研究，以弥合实验室研究与临床实践之间的鸿沟。
本研究主题致力于推进AI技术在真实临床场景中融合多模态医疗信息的理论理解与实践应用。通过汇集前沿研究成果与创新视角，我们旨在发掘新型计算方法、突破现存技术瓶颈，并展示能够充分发挥AI技术与复杂医疗数据协同效应的创新临床解决方案。特别强调在多元化医疗环境中验证临床实用价值、提升模型可解释性以及确保研究可重复性。
为深入探究AI驱动的多模态信息融合在临床场景中的机遇与挑战，我们诚邀研究者提交以下方向（但不限于）的学术成果：
- 用于多模态医疗数据融合的新型AI算法
- 疾病诊断、预后评估及治疗监测的AI临床应用
- 医疗信息智能管理的AI解决方案
- 指导治疗决策的AI临床辅助系统
- 识别新型生物标志物与治疗靶点的AI研究
- 多模态数据整合的隐私保护、安全机制及伦理框架
- AI融合工具临床落地的障碍分析与应对策略
关键词：人工智能、医学影像（PET/CT/MRI）、电子病历、多模态数据融合、临床决策支持
重要说明：所有投稿必须符合目标期刊及栏目的学术范围界定。Frontiers保留于同行评审任一阶段将超出范围的稿件转至更合适栏目的权利。
【全文结束】
