采用分阶段共享适配器的参数高效多模态脑肿瘤分割

基于摘要分析。该研究针对不同 MRI 模态提供互补脑肿瘤信息、而多编码器之间分阶段交换特征可能增加模型复杂度的问题，提出 Block-Wise Shared Adapter（BWSA），以共享适配路径实现参数高效的多模态分割；主要研究对象是医学影像分割，而非 BCI 解码。 机制上，BWSA 将各模态编码器的压缩特征汇入共享路径，再把适配后的特征返回各模态分支。固定融合版本将适配特征与原始特征相加；TG-BWSA 则在每个模态和编码器阶段分别学习原始特征与适配特征的权重。摘要未提供压缩方式、适配器内部结构、损失函数或训练细节，不能据此认定它采用冻结骨干等特定参数高效训练方案。 作者在 BraTS 2020 和 BraTS 2023 上使用四种分割骨干评估两种变体。作者报告，在官方 BraTS 2023 在线验证集上，相对于各自未经修改的骨干，BWSA 的区域平均 Dice 提升 1.3–7.6 个百分点，TG-BWSA 提升 2.8–7.7 个百分点；两种变体增加约 0.85–3.73% 的参数，并降低平均 HD95。摘要未给出各骨干与数值区间的逐项对应、绝对分割指标或推理耗时，因此参数增量较小不能直接解释为推理加速。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：共享压缩路径可作为多模态神经信号融合的候选机制，前提是各分支具有可对齐的阶段特征。假设迁移到 EEG 与 fNIRS 融合，需要改造模态编码器及时间对齐模块；共享路径和融合门控可能复用，但低信噪比、模态时间尺度差异、跨被试变化及小数据可能造成负迁移或门控过拟合。可在固定划分与训练预算下，小规模比较无共享适配器、BWSA 和 TG-BWSA，并分别报告参数量、推理耗时及同一协议下的解码指标。已有 EEG 相关工作尚未检索确认。