BaT-SAM：通过卷积专家混合为 SAM 引入归纳偏置，用于脑肿瘤分割

基于摘要分析。研究针对 MRI 脑肿瘤分割中任务专用方法泛化受限、SAM 推理依赖用户提示的问题，提出参数高效适配框架 BaT-SAM，将局部卷积归纳偏置与自动提示预测结合，实现无需用户提示的脑肿瘤分割。 核心机制是在冻结的 SAM Vision Transformer（ViT）编码器中引入 Conv-LoRA，通过稀疏门控的多尺度卷积专家混合处理图像特征，以补充普通 ViT 中较弱的平移等变归纳偏置。作者报告，可微调参数少于 5M，占完整模型参数的比例低于 1%。为消除人工提示需求，框架另设轻量自提示框回归器，直接从图像嵌入预测肿瘤位置，并使用 scheduled sampling 与适配器联合优化；具体采样日程、损失形式及训练配置尚未验证。 作者报告，在 BRISC2025 基准上，BaT-SAM 的加权平均 IoU 为 0.832，并称其优于现有先进基准方法；摘要未提供具体对照方法、数据划分和差异的统计信息。作者还报告，在跨数据集评估中，Figshare 上的 Dice 为 0.702，LGG MRI Segmentation dataset 上的 Dice 为 0.784；训练来源、目标数据使用方式及预处理协议尚未验证，不能据这些分数直接比较不同数据集上的表现。 该工作的主要研究对象是 MRI 图像分割，而非 BCI 或 EEG 解码。阅读全文时可重点核对卷积专家、Conv-LoRA 与自提示回归器的独立贡献，以及跨数据集评估协议、分割失败情形和实际推理开销。实验协议、消融及统计信息尚未验证，摘要也未提供代码与完整复现配置。现有材料不足以建立具体的 EEG/BCI 迁移路径，不据此提出已有效的迁移结论；相关 EEG 工作尚未检索确认。