基于可学习排序状态空间模型的不完整多模态脑肿瘤分割

基于摘要分析。本文研究部分 MRI 模态不可用时的脑肿瘤分割，提出 Learnable Sorting State Space Model（LS3M），通过可学习的序列重排与状态空间建模，充分利用可用模态。主要研究对象是三维脑 MRI 分割，而非 EEG 解码或 BCI。 核心机制：LS3M 基于 Mamba 设计建模长程依赖，并引入可微分置换矩阵，依据模态特定特征重排输入序列。作者认为，这种动态排序有助于保留三维 MRI 的空间归纳偏置及长程语义关联。重排后的序列交由 Series State Space Model（S3M）模块处理，以捕获局部和长程依赖，并表征模态内及模态间关系。摘要未说明置换矩阵的生成方式、优化约束、损失函数或缺失模态的具体处理流程，这些内容尚未验证。 结果与证据边界：作者报告，在 BraTS2018 和 BraTS2020 的模态缺失脑肿瘤分割实验中，LS3M 优于现有方法；摘要未提供具体指标、数值、缺失模态组合、数据划分或对照方法，因此不能量化优势，也不能判断不同缺失条件下的稳定性。实验协议、消融及统计信息尚未验证。复现时需核对排序模块的独立增益、空间结构保留方式，以及训练和测试阶段的模态缺失设置；代码与训练配置是否公开尚未验证。 平台推测（待验证）：可学习排序与状态空间建模可能启发 EEG 多通道序列的关系建模，但这是迁移假设，依赖通道拓扑和时间结构可被合理编码，三维 MRI 上的作者报告不构成 BCI 有效性证据。状态空间模块可能复用，排序依据及位置约束则需改造，避免破坏 EEG 时间顺序与通道关系；低信噪比、跨被试差异、通道缺失和小数据均可能使排序不稳定。一个可检验的小实验是在同一 EEG 数据划分与训练预算下，对比固定排序和可学习排序，并施加通道缺失，观察性能及排序稳定性。相关 EEG 工作尚未检索确认。