具有自适应特征融合的对比学习框架用于脑肿瘤分类

为何更聪明地解读脑部影像很重要

脑肿瘤危险不仅在于侵袭重要组织，还在于它们在医学影像上可能难以区分。医生在判断肿瘤严重程度和制定治疗方案时高度依赖 MRI 图像。然而，在体内表现截然不同的肿瘤在影像上可能看起来非常相似。本研究提出了一种新的计算方法，能够学习识别 MRI 图像中的细微差异，旨在为医生提供更快速、更可靠的肿瘤分类支持。

看清颅内挑战

脑肿瘤由颅内细胞失控生长引起，会压迫邻近区域并导致头痛、癫痫或视力问题等症状。在 MRI 上，三种常见肿瘤类型——脑膜瘤、胶质瘤和垂体瘤——在外观上常常重叠。更为复杂的是，医院从不同角度（轴位、冠状位、矢状位）采集图像，同一肿瘤在不同切片中可能呈现相当不同的样貌。现有深度学习系统能识别这些图像中的宏观模式，但常常会错过区分肿瘤类型所必需的形状、边界和纹理等非常细微的细节。

教计算机注意什么的新方法

作者提出了名为 AFF-CL 的框架，重塑神经网络从 MRI 学习的方式。系统不只是学习将图像与其标签（例如“胶质瘤”）匹配，还通过对比图像之间的差异来学习。它建立了一种记忆队列，存储大量过去图像的特征指纹及其肿瘤类型。当新扫描到来时，模型将其内部指纹不仅与单一配对图像比较，还与许多同类和异类的存储样本进行对比。同类特征被拉得更近，不同类特征被推得更远，帮助计算机在内部的“图像地图”中为肿瘤类别划出更清晰的边界。

从宏观与微观同时观察大脑

仅仅分离类别还不够；系统还必须学会在每个 MRI 切片中去哪里看。为此，框架以两种互补方式处理每次扫描。一个分支观察整个大脑，捕捉整体背景、肿瘤的大小和位置；另一个分支放大裁切区域，迫使模型检查局部结构、边缘和纹理。自适应特征融合（AFF）模块像一个智能混合器，在每个位置决定应多大程度地信任广角视图或近景视图。借助内置的注意力机制，它在局部细节关键的地方增强信号，并以更广的解剖学背景加以增强，从而生成更丰富的组合表示以供最终分类使用。

方法验证

研究人员在一个常用的公开数据集上评估了 AFF-CL，该数据集包含来自 233 名患者的 3,064 张脑 MRI 图像。数据集中包括三种主要肿瘤类型和来自多个视角的图像。训练后，该方法取得了约 99.35% 的准确率，超过了许多依赖更深网络或仅用传统注意力机制的近期深度学习方法。作者还表明，他们的方法能提升不同主干结构下的性能，从适合小型诊所的轻量级卷积网络到更先进的变换器模型均表现提升。网络内部活动的可视化显示，采用 AFF-CL 后，注意力更集中于实际肿瘤区域，且三种肿瘤类型在特征空间中形成了清晰的簇。

对患者和诊所的意义

对非专业读者而言，核心信息是：AFF-CL 通过更智能地比较图像并融合“大视角”和“小视角”的脑部视图，帮助计算机以极高的精度识别 MRI 中的脑肿瘤。虽然该方法目前训练时需要更多计算资源且仍需更严格的以患者为单位的测试，但在两个不同数据集上已优于现有工具。长期来看，此类系统可以作为放射科医生的第二道眼睛，减少漏诊，加速治疗决策，并使高级脑肿瘤分析在更广泛的医院中更易获取。

引用: Peng, Y., He, S. & Chang, L. A contrastive learning framework with adaptive feature fusion for brain tumor classification. Sci Rep 16, 14504 (2026). https://doi.org/10.1038/s41598-026-44887-6

关键词: 脑肿瘤 MRI, 深度学习 诊断, 医学影像 分析, 对比学习, 特征 融合