BioTransX：基于双路由注意力机制的双编码器混合模型在脑肿瘤可解释性分类中的创新应用

针对脑肿瘤MRI图像分类中存在的多尺度特征捕获不足、模型可解释性差等问题，研究人员开发了集成CNN与Bi-level Routing Attention的BioTransX混合模型。该模型通过CLAHE预处理、Grad-CAM可视化等技术，在Kaggle等数据集上实现99.29%准确率，为临床部署提供高效可解释的AI解决方案。

　　

脑肿瘤作为中枢神经系统最致命的疾病之一，其异质性和复杂解剖结构使得早期诊断面临巨大挑战。当前临床依赖MRI等影像技术，但传统卷积神经网络(CNN)存在感受野局限、跨数据集泛化能力弱等缺陷，且"黑箱"特性阻碍临床信任。这些问题在资源有限的医疗场景中尤为突出，亟需开发兼具高精度、可解释性和低计算成本的创新算法。

来自中国的研究团队在《Computers in Biology and Medicine》发表的研究提出BioTransX混合模型，巧妙融合DenseNet169、ResNet50和Xception三种CNN架构的特征提取优势，并创新性引入Bi-level Routing Attention机制构建轻量化Transformer模块。通过CLAHE增强图像对比度，结合Grad-CAM和Gradient Attention Rollout双重可解释技术，在Kaggle、BraTS和Figshare三大基准测试中实现99.29%的平均准确率，同时降低38%的内存消耗。

关键技术方法
研究采用Kaggle（253例）、BraTS（285例）和Figshare（3064例）多中心MRI数据集，经CLAHE预处理后，构建CNN-Transformer混合架构：1）特征级集成DenseNet169、ResNet50和Xception；2）Bi-former编码器实现动态稀疏注意力；3）联合应用Grad-CAM（梯度加权类激活映射）和Attention Rollout可视化决策依据；4）采用F₁-score和扰动评估量化解释可靠性。

研究结果

1. 模型性能：在Kaggle四分类任务中达到99.29%准确率，较纯CNN模型提升4.2%，假阳性率降低至0.7%。跨数据集测试显示BraTS上保持98.4%的稳定性能。
2. 计算效率：Bi-level Routing Attention使参数量减少至传统Transformer的62%，推理速度提升2.3倍。
3. 可解释性：Grad-CAM热图精准定位肿瘤浸润区域，与放射科医师标注重合度达89%，扰动评估证明解释可靠性优于基线模型23%。

结论与意义
该研究突破性地解决了医学AI领域的三大核心矛盾：1）通过CNN-Transformer混合架构平衡局部特征与全局上下文建模；2）Bi-level Routing Attention机制在保持性能的同时突破计算瓶颈；3）双重可解释技术构建临床可信的决策路径。BioTransX的轻量化特性使其在便携式MRI设备中具有独特应用价值，其可视化结果可直接辅助临床决策，为"精准医疗+人工智能"范式提供新范式。未来研究可探索三维体积图像处理及多模态数据融合的扩展应用。