科尔莫哥洛夫 - 阿诺德网络在医学图像分析中的综述

《Computerized Medical Imaging and Graphics》:A review of Kolmogorov–Arnold networks for medical image analysis

【字体: 大 中 小 】 时间:2026年10月15日 来源:Computerized Medical Imaging and Graphics 5.5

编辑推荐:

   •批判性地回顾了医学影像分析中的Kolmogorov–Arnold网络。 •将KAN方法组织为主干模块、瓶颈模块、物理模块和任务头模块。 •将KAN模块与从分割到配准的核心任务相连接。 •总结了函数级透明度、校准、延迟和验证方面的差距。 •将KAN定位为任务依赖型模块,而非主

  

•批判性地回顾了医学影像分析中的Kolmogorov–Arnold网络。
•将KAN方法组织为主干模块、瓶颈模块、物理模块和任务头模块。
•将KAN模块与从分割到配准的核心任务相连接。
•总结了函数级透明度、校准、延迟和验证方面的差距。
•将KAN定位为任务依赖型模块,而非主干网络的替代品。

引言

深度学习,尤其是卷积神经网络(CNN),已经改变了医学影像分类、检测、分割和配准领域,用学习的表征替代了许多手工特征流水线(Litjens等,2017;Shen等,2017;Azad等,2024;Lowe,2004;Bay等,2006;LeCun等,1998)。Esteva等人(2017)在一项研究中用超过130,000张皮肤病灶图像训练了一个卷积网络,并报告了在研究设计下与皮肤科医生相当的分类表现。综述文献记录了其在配准、解剖检测、分割和诊断等方向同样广泛的采用(Litjens等,2017)。Prevedello等人(2017)评估了一个脑部CT系统,用于急性异常检测,包括颅内出血、占位效应和脑积水。视觉Transformer(ViT)随后被应用于肺癌影像诊断等任务(Ali等,2023),同时引发了关于资源使用和临床解释的额外问题(Shamshad等,2023)。

尽管取得了这些进展,医学影像人工智能的临床转化仍受到若干结构性问题的制约。CT和MRI通常是高分辨率的三维体积数据,多模态研究可能需要结合PET和CT等模态,而专家标注仍然昂贵且相对稀缺。体积计算和标注负担相对于通用计算机视觉而言拖慢了进展速度(Wells III,2016)。跨模态配准和融合进一步增加了计算和建模需求(Azam等,2022)。在标注数据有限的情况下增加模型容量也可能增加过拟合风险,因此任何替代方案都需要受控验证,而不能假定其具有更好的数据效率。

其次,临床部署要求不仅仅是区分能力或重叠精度。监管指南强调透明度、风险管理和性能监测(Shick等,2024;Smuha,2025),然而高性能模型产生的解释可能不稳定或与其决策过程关联较弱。事后显著性方法和局部代理方法可以辅助检查,但它们不提供因果解释,并且需要任务特定的保真度和稳定性测试。可靠性仍然是一个关注点:分割网络可能会系统性地过度自信,即使在分布偏移情况下也是如此,除非明确评估校准和不确定性(Shamshad等,2023;Mehrtash等,2020)。

类别不平衡、病变异质性,以及扫描仪或采集协议的变化进一步增加了跨机构迁移的复杂性。这些局限性并非CNN或Transformer所独有,也不能假定替代参数化方法能够解决它们。然而,这些因素仍然促使我们测试具有不同函数先验的架构——包括KAN——在受控医学影像比较中是否能带来可衡量的价值。

Kolmogorov–Arnold网络(KAN)受Kolmogorov–Arnold表示定理启发(Kolmogorov,1957),在概念上与多层感知机(MLP)的通用逼近性质相关(Hornik等,1989)。在架构层面,KAN施加了单变量函数参数化,这激发了关于数据效率和可检查性的可检验假设;这两项属性本身并非由该定理直接推导。该定理指出,定义在[0,1]^n上的连续多元函数可以通过有限个单变量函数的叠加来表示。实用的KAN基于这一思想,用可学习的单变量函数(通常为样条)参数化网络的边,将部分表征灵活性从节点转移到边(Z. Liu等,2024)。因此,边的函数形状可以被检查或符号近似,但其保真度和临床意义仍是经验问题。

初步结果提供了动机,但并未完全回答这一问题。在医学影像之外,符号回归工作从KAN模型中恢复了紧凑的分析形式(Panczyk等,2025)。在影像领域,Penkin等人(2024)评估了多项式KAN瓶颈用于MRI重建,报告了良好的收敛和重建结果。表格诊断研究也报告了精度-参数的增益(Pendyala和Venkatachalam,2025;Jahin等,2025),但它们属于上下文参考,而非严格意义上的影像证据集成员。残差KAN提供了进一步的架构示例,但其效果必须通过匹配的组件消融实验来评判(Yu等,2024)。

因此,所形成的前提是刻意有限的。KAN暴露出可检查的一维函数,并可以编码选择的领域匹配基函数。这些特性是否能提高精度、参数使用效率、鲁棒性或解释质量,取决于任务、比较方法和实现方式。过拟合防止、跨中心泛化和临床意义是经验结果,而非表示定理的必然结论。

一方面,医学影像界已产出多篇全面综述,总结了深度学习的发展(Litjens等,2017;Shen等,2017)以及在医学图像分割(Azad等,2024;Shamshad等,2023)等特定任务上的最新进展。这些综述通常以U-Net(Ronneberger等,2015)、全卷积网络(FCN)(Long等,2015)和各种Transformer变体(Dosovitskiy等,2020)为主线,回顾CNN/Transformer在配准、分割、检测和诊断中的性能。因此,它们主要反映了KAN出现之前的主流架构格局。值得注意的是,这些工作很少将KAN作为独立的方法论家族来处理,也没有在统一框架下评估KAN在医学影像中的潜在优势和局限性。

另一方面,近期若干方法学综述聚焦于KAN本身。Somvanshi等人(2025)、Dhiman(2024)、Dutta等人(2025a)、Basina等人(2024)从通用函数逼近的角度总结了KAN的理论基础、数值实现和跨领域应用。尽管这些工作为理解这一新兴范式提供了有价值的参考,但它们主要面向通用机器学习场景,很少涉及医学影像的严格、领域特定需求。这些需求包括在有限标注下处理高分辨率三维和多模态影像(Azam等,2022;?i?ek等,2016;Irvin等,2019),对透明度和可审计性的监管要求(Smuha,2025;Wiens等,2019),以及在BraTS、CheXpert、MIMIC-CXR和fastMRI等广泛使用的基准上的泛化行为,以及部署过程中的计算和延迟等现实约束(Menze等,2014;Johnson等,2019;Zbontar等,2018;Setio等,2017;Bernard等,2018;Simpson等,2019;Russakovsky等,2015;Juodelyte等,2024;Hill,2024)。因此,现有的KAN综述仍未能回答一个核心的医学影像问题:所声称的样本效率和函数级可解释性能否在所述条件下转化为实用且具有临床意义的增益?

因此,在"KAN × 医学影像"的交叉领域仍存在一个明显的空白:医学影像综述大多忽视了KAN,而通用KAN综述则未能提供针对医学影像需求的专项分析。据我们所知,尚无先前的工作基于医学影像需求的统一框架对KAN架构进行全面的综述和批判性评估。鉴于自2024年以来KAN相关方法在多个医学任务中迅速涌现,一份连接任务特征、评估标准和工程约束的方法学综述既具有时效性,也是必要的。

鉴于KAN相关研究发展迅速但在任务和研究社区间仍较为分散,本综述旨在在医学影像这一特定领域提供统一且具有可操作性的视角。总体而言,我们的目标和贡献可总结如下:

(1)从表示理论到模块化机制的统一视角。基于对Kolmogorov–Arnold表示定理及其数值实现的回顾,我们将现有的KAN变体归类为四种模块化集成范式——主干级融合、瓶颈/Token级融合、物理信息驱动与隐式表征模块,以及任务特定函数头。随后讨论这些机制如何与分类、分割、重建、配准以及生存/预后建模等代表性任务相契合,重点突出性能-可解释性之间的权衡,而非逐篇罗列论文。

(2)面向医学场景的评估、解释、部署与临床转化的实践导向框架。除Dice系数、受试者工作特征曲线下面积(AUC)、峰值信噪比(PSNR)和结构相似性指数(SSIM)等传统指标外,我们还评估KAN特有的函数行为、概率校准、不确定性、算子支持、内存和延迟。所形成的"评估-解释-部署"框架还涵盖了可重复性、外部验证、偏差感知评估和工作流程就绪度。该框架旨在支持更具可比性和临床意义的实验设计与报告。

(3)对实际边界和未来方向的全面分析。我们综合了KAN在医学影像中的当前瓶颈,包括表征范围、高维设置下的训练稳定性、标准化基准的缺失以及受限的工程实现。随后考察KAN与生成式学习和自监督学习、轻量级混合架构、物理先验驱动的重建与配准、以及可解释风险预测的关系。这一综合分析旨在提供一组结构化的可测试优先事项,而非宽泛的技术路线图。

我们在2026年8月16日进行了受控回溯性证据重构和更新。重构采用了从2024年1月1日至2026年2月28日的纳入时间窗口。纳入标准和发表年份统计使用该窗口内的首个符合条件的公开报告。当已验证的期刊版本后来可用时,记录了其当前引用和发表状态,但未将截止日期后的研究纳入或更改首次报告年份。较早的论文仅用于理论、临床、基准或历史背景,不符合纳入标准。

共检索了四个文献来源:Crossref、Europe PMC、arXiv和OpenAlex。表1展示了进入综述数据库的来源特定查询核心及数量;补充表S3提供了所有精确查询、日期限制或后处理规则、来源级别计数和API URL。Crossref使用了四个互补的文献查询,将"Kolmogorov Arnold Network"与医学影像、医学图像分割、MRI/CT/放射学或组织病理学/病理学进行组合。Europe PMC使用了标题/摘要中的KAN短语加上日期过滤器;arXiv和OpenAlex使用了"Kolmogorov Arnold"短语后接日期和精确短语/领域筛选。本地全文文献库和回溯/前向引文检查记录为其他识别方法。重构过程中保留了完整的URL、时间戳、来源标识符、标题、摘要和DOI。

去重使用了两个有记录的步骤。首先通过DOI、标题和来源标识符匹配移除了1,136条记录;随后通过更严格的规范化标题分组将943条残余元数据变体合并。因此,共移除了2,079条重复记录,剩余3,029条记录进入筛选。由于"KAN"存在歧义,标题/摘要筛选要求明确的Kolmogorov–Arnold方法或评估以及医学/生物医学影像背景。纳入评估、报告合并和证据编码通过集中式证据编码流程完成,使用明确定义的回顾性重构标准,并记录在补充台账中。补充表S4记录了所有3,029条标题/摘要决定,并将进入报告评估的143条数据库记录与其报告级标识符相关联。描述同一实验的预印本、会议和期刊报告在独立研究层面进行了合并,保留最完整的报告作为标准来源,同时在审计轨迹中保留伴随报告。补充表S2报告了通过数据库和其他识别途径寻找到的162份报告中每一份的最终决定,包括17项排除和2份未能检索到的报告。这些台账共同保留了从每条来源记录到其报告级决定的决策路径,以及在符合条件时其独立研究记录。

纳入标准定义为两个严格的影像输入层级。A类要求模型输入或预测目标为直接的医学图像、图像体积、图像域信号或空间场。B类要求从医学影像中明确推导出的定量、时间序列、感兴趣区域、连接性或图表示。在两个层级中,KAN或KAN派生的算子必须是使用真实医学数据评估的实质性模型组件。纯表格临床预测研究、非医学应用、综述/社论、非实质性海报、截止日期外的报告、仅含模拟无真实医学数据的研究,以及"KAN"指代其他概念的报告均被排除在严格分母之外。通用KAN理论和跨领域方法仅作为上下文参考保留。

检索共识别出5,108条数据库记录。去除2,079条重复后,3,029条唯一记录进入筛选,其中2,886条在标题/摘要层面被排除。数据库检索获得143份寻求检索的报告;另有19份通过本地文献库和引文检查识别到。2份报告未能检索到:一份是已可用研究的伴随报告,另一份为无法获取的全文(DB112)。在评估的160份报告中,17份在记录/全文审计后被排除。剩余的143份合格报告在合并5份伴随或早期版本后代表了138项独立研究。因此,最终的严格证据集包含138项研究:127项A类研究和11项B类研究(图1)。在提取阶段,72项研究记录根据本地持有的全文逐字段进行了人工核对。其余66项通过出版商认证的全文结构化证据支持了KAN角色、数据集/样本、主要结果和综述级风险字段的提取。

当可获得的证据不足时,比较器信息被标记为无法恢复;这些记录不被视为经过人工核对。KAN特定贡献证据采用明确定义的有序规则进行分类。A类(强)要求采用析因设计或其他方式进行预算匹配的重复比较,以隔离KAN组件;B类(中等)要求在同一框架内进行匹配的组件替换或聚焦消融,同时允许预算匹配不完全;C类(弱/复合)适用于KAN与实质性架构或训练共同修改同时引入的情况;D类(不足)适用于无法恢复可辩护的KAN特定对比,或报告不一致阻碍归因的情况。当某报告不满足较高类别的所有要求时,将其分配至可用证据支持的下一个类别。补充表S1中的每一行都记录了证据类别和研究特定的分类依据,允许对照已报告的比较器、消融、共同修改和原始证据进行审计。最终分布为:强0项,中等48项,弱/复合46项,不足44项。这些类别表征的是对KAN增量贡献的支持程度,而非论文的整体质量。

作为单独的描写性字段,我们对原始报告中报告的包含KAN的模型相对于每份报告中可用的主要比较的方向进行了编码。这些类别互斥。"有利"要求在没有报告实质性抵消损失的情况下取得更好的焦点结果。"混合/权衡"要求在数据集、终点或配置之间存在方向不一致,或者性能提升伴随资源或次要终点成本。"不利/无增益"表示性能低于所述最强比较器,或KAN增量为零且无补偿性焦点增益。"不确定/不可比"表示缺少可辩护的比较或存在未解决的报告模糊性。相应的计数分别为68、30、4和36。此编码既非质量等级也非荟萃分析效应估计,不得被解释为KAN导致所报告模型层面结果的证据。

鉴于在模态、数据集、患者/图像分组、基线、共同修改和结果指标方面存在显著异质性,我们未进行定量荟萃分析,也未将报告指标视为跨研究的排行榜。每篇纳入研究获得一个主要任务标签用于描述性计数;结构整合使用3.1节的操作规则进行分配,而共同修改、训练方案、KAN特定消融和归因限制则作为单独的证据字段保留。图2、图3总结了发表年份、输入范围和主要任务,但不暗示性能可比性。证据重建是回顾性进行的,而非在前瞻性注册的系统评价方案下进行。在此次回顾性重建期间未进行独立的重复筛选;因此,不能完全排除残余的选择偏差和编码偏差。人工逐字段核对的深度不均是额外的评价层面限制。为提高透明度和可重复性,我们维护了详细的检索记录、纳入标准、编码规则、研究特定的归因理由和证据台账。因此,研究计数和证据字段应被视为可审计的重建,而非穷尽性捕获或无错筛选的保证。

本文余下部分从基础(第2节)到模块化机制与应用(第3节),规范评价与报告框架(第4节),基于证据的实践边界(第5节),以及可检验的研究优先级(第6节)。第7节总结了KAN在医学影像AI中的相应定位。图4预览了这一进程,并在此对应详细章节之前予以介绍。

章节片段

表示理论与架构原则

MLP的通用逼近结果和Kolmogorov–Arnold表示定理都是存在性陈述;两者均未确立有限网络将易于优化、统计高效、紧凑、稳定或可解释(Kolmogorov, 1957, Hornik et al., 1989)。Kolmogorov–Arnold定理指出,紧域上的连续多元函数可以表示为有限个单变量连续函数的叠加:f(x1,x2,…,xn)=∑q=1^2n+1 Φq(∑p=1^n ψq,p(xp))

医学影像中KAN的模块化机制与应用模式

基于前述关于KAN基础及其与MLP、CNN和Transformer关系的讨论,本节从模块化视角而非逐任务枚举方式评述医学影像中的KAN变体。图6提供了从代表性KAN方法流到医学影像应用流的示意图桥,包括分类骨干网络、分割与生成、重建与配准,以及相关临床风险/生存预测。

医学影像中KAN的评价、可解释性与部署

本节是规范性的:它规定了KAN医学影像研究应如何评价和报告。第5节随后利用当前文献识别证据缺失之处,第6节将这些差距转化为可检验的研究。

讨论:医学影像中KAN的挑战与实践边界

本节是诊断性而非规定性的。它综合了当前证据中可见的四个局限性:不确定的表示和优化优势、稀疏的跨领域验证、不成熟的工程支持,以及功能透明度与临床实用性之间未经验证的联系。最近的批判性研究强化了谨慎的必要性。一项广泛的方法学评估认为,许多声称的KAN优势在公平的参数和计算量控制下会减弱。

未来展望

当前语料库包含可检查的KAN组件和特定任务增益,但并未确立总体优越性、临床可解释性或部署效率。因此,未来工作应围绕可证伪的KAN特定问题来组织,而非适用于任何医学AI架构的广泛趋势。

(1) KAN是否改变从自监督或生成式预训练中获得的好处?Semi-KAN为半监督潜空间中的KAN提供了医学证据,

结论

本综述识别了138项符合明确定义的医学影像纳入标准的独立KAN研究,并按主要架构位置进行了组织。证据显示在分割、分类/检测、重建、配注、融合、定量图像分析和基于图像的结局预测方面进行了广泛实验。它并未显示一致的KAN优势。没有研究满足我们最严格的贡献证据标准,且许多有利的……

CRediT作者贡献声明

Jieyun Bai:撰写 – 审阅与编辑,撰写 – 原始草稿,软件,资源,项目管理,调查,获取资金,概念化。Zhongguo Cai:撰写 – 原始草稿,可视化,方法学,调查,形式化分析,数据整理,概念化。Rongshun Yang:撰写 – 审阅与编辑,指导,软件,资源,概念化。Karim Lekadir:撰写 – 审阅与编辑,验证,指导,项目管理,获取资金。

资金

本研究得到中国国家自然科学基金(项目编号:62671274)、广东省自然科学基金(项目编号:2025A1515220071)、广州市科技计划项目(项目编号:2025B03J0127)以及欧盟地平线欧洲研究与创新计划下的欧洲研究委员会(ERC)资助(AIMIX项目,资助协议号:101044779)。

未引用参考文献

Abzalbekov等人(2025)、Ahamed等人(2026)、Ali等人(2026)、Amin等人(2025)、Boonyakittikowit等人(2025)、Cai等人(2026)、Chau等人(2025)、M. Chen等人(2025)、J. Chen等人(2025)、Chen等人(2026)、Dash等人(2025)、De Franceschi等人(2025)、Deepika等人(2025)、Ding等人(2026)、do Nascimento等人(2026)、Dutta等人(2025b)、Fang和Wu(2025)、Fang等人(2025a)、Fang等人(2025b)、Feldman等人(2025)、Fu等人(2026)、Ganguly和Lakshminarayanan

利益冲突声明

作者声明他们没有已知的竞争性经济利益或个人关系可能影响本论文中报告的工作。

Jieyun Bai | Zhongguo Cai | Rongshun Yang | Karim Lekadir | Shuo Li
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号