稀疏Transformer与多路径决策树：高效脑肿瘤分类的创新方法及其临床意义

为解决脑肿瘤分类中计算复杂度高、小数据集性能受限等问题，研究人员提出SparseSwinMDT模型，结合稀疏Token表示（Sparse Transformer Block）和多路径决策树（Multipath Decision Tree）。实验显示模型准确率达99.47%，显著优于现有方法，同时降低计算成本，为资源受限的医疗环境提供高效解决方案。

　　

脑肿瘤的早期诊断是提高患者生存率的关键，但传统分类方法依赖放射科医师的主观判断，存在误诊风险。随着医学影像技术的发展，基于深度学习的自动分类算法面临肿瘤多样性带来的挑战。尽管Swin Transformer在处理高分辨率图像时表现出色，但其在小数据集上的性能受限且计算复杂度高。针对这些问题，哈尔滨理工大学（Key Laboratory of Advanced Manufacturing and Intelligent Technology, Ministry of Education）的研究团队提出了一种名为SparseSwinMDT的创新模型，通过结合稀疏Token表示和多路径决策树，显著提升了分类效率和准确性。相关成果发表在《Scientific Reports》上。

研究采用Kaggle公开脑MRI数据集（含7023例样本），通过稀疏Token转换器（Sparse Token Converter）压缩特征维度，并引入软分裂机制（Soft Splitting Mechanism）的多路径决策树增强分类鲁棒性。关键技术包括：1）基于3×3卷积的稀疏Token生成；2）线性复杂度自注意力计算（SparTa-MSA）；3）路径概率加权分类策略。

实验结果

1. 性能指标：模型准确率达99.47%，F1-score接近1.0，各肿瘤类别（胶质瘤、脑膜瘤等）分类均衡性优异。

2. 计算效率：相比传统Swin Transformer，训练时间缩短40%，稀疏注意力机制使复杂度从O(n²)降至O(n)。

3. 可视化分析：Grad-CAM热图显示模型精准聚焦肿瘤区域（

   
   ）。

讨论与意义

该研究首次将稀疏表示与决策树集成到Transformer架构中，其优势体现在：

1. 临床适用性：轻量化设计适合基层医院部署，实时分类速度满足临床需求；

2. 可解释性：多路径决策树提供分类轨迹追踪能力，增强医生信任度；

3. 技术突破：SparTa Block将7×7窗口的注意力计算量减少76%，为高分辨率医学图像处理提供新范式。未来可探索自适应稀疏率机制，并扩展至其他医学影像任务。