《Scientific Reports》：A contrastive learning framework with adaptive feature fusion for brain tumor classification
编辑推荐：
本文针对脑肿瘤磁共振成像（MRI）分类中因类内高异质性与类间差异细微而面临的挑战，提出了一种集成自适应特征融合模块的新型对比学习框架（AFF-CL）。该研究通过引入动态标签队列构建多正样本对，并结合局部-全局特征自适应融合，有效提升了模型对细粒度病理特征的判别力。在公开figshare数据集上的实验表明，该方法取得了最先进的性能，为临床计算机辅助诊断（CAD）精度的提升展示了强大潜力。
在医疗影像诊断领域，脑肿瘤的精准识别与分类是决定治疗方案和预后的关键一步。医生们主要依靠磁共振成像（MRI）来观察大脑内部的异常，但这项工作极具挑战性。原因在于，不同类型的脑肿瘤在MRI图像上可能看起来颇为相似（类间差异细微），而同一种肿瘤在不同患者身上或不同发展阶段，其影像表现又可能千差万别（类内高异质性）。这种“似曾相识”又“千人千面”的特性，让即使经验丰富的放射科医生也难免感到棘手，更不用说人工判读耗时耗力，且存在主观差异。为了应对这一难题，基于深度学习的人工智能技术被寄予厚望，旨在开发能够自动、准确分类脑肿瘤的计算机辅助诊断（CAD）系统。然而，现有的深度学习模型往往“功力”尚浅，在捕捉那些决定肿瘤类型的、极其微妙的病理特征时，区分能力不足，导致分类可靠性遇到瓶颈。那么，有没有一种方法，能够教会AI模型更敏锐地察觉这些细微差别，从而做出更精准的判断呢？发表在《Scientific Reports》上的一项研究，为我们带来了一个新颖的解决方案。
为了突破现有脑肿瘤MRI分类模型的性能瓶颈，研究人员开展了一项聚焦于改进深度学习特征学习能力的研究。他们核心的技术方法包括：1）设计了一种新颖的对比学习框架，其中创新性地引入了动态标签队列，用于存储历史数据的类别标签，从而能够从同一类别的不同图像中构建多个正样本对，将明确的监督信号注入对比学习过程；2）为了充分利用影像的多尺度信息，研究增加了局部输入流，并设计了自适应特征融合（AFF）模块，该模块能够智能地权衡并整合模型学习到的局部细节特征与全局上下文表征；3）整个模型的训练与评估均在公开的figshare脑肿瘤MRI数据集上进行，确保了实验的可复现性与结果的可比性。
研究结果
1. 提出的AFF-CL框架在figshare数据集上达到最先进性能
通过系统的对比实验，本研究提出的自适应特征融合对比学习框架（AFF-CL）在figshare公开数据集上取得了最优的分类准确率。与多种经典的深度学习模型（如ResNet、DenseNet）以及近期先进的对比学习方法（如SimCLR、SupCon）相比，AFF-CL框架在多项评估指标上均显著领先。这一结果直接验证了所提出框架的有效性，表明其能够从具有挑战性的脑肿瘤MRI数据中学习到判别力更强的特征表示。
2. 动态标签队列与多正样本对有效促进类内紧凑与类间分离
通过对学习到的特征空间进行可视化分析（如t-SNE图）并结合定量指标（如类内-类间距离比），研究发现，引入动态标签队列来构建多正样本对的策略至关重要。该策略使模型在训练过程中能够接触到同一类别内更丰富的形态变异，从而引导学习到的同类样本的特征在嵌入空间中彼此更加靠近（类内紧凑），而不同类别的特征则被更好地推开（类间分离）。这种特性正是准确分类细粒度差异目标的关键。
3. 自适应特征融合（AFF）模块提升模型对多尺度特征的利用能力
消融实验结果表明，移除AFF模块会导致模型性能明显下降。进一步的特征重要性分析显示，AFF模块能够自适应地调整从局部输入流和全局主干网络所提取特征的融合权重。这意味着模型可以根据不同的输入图像，动态决定是更依赖局部区域的细微纹理，还是更依赖整体的病灶结构与背景关系，从而实现了对多尺度上下文信息的智能捕获与融合，增强了模型的特征表达能力。
结论与讨论
本研究成功开发并验证了一个用于脑肿瘤MRI分类的新型自适应特征融合对比学习框架（AFF-CL）。该框架通过两个核心创新点解决了当前方法的局限性：一是通过动态标签队列构建多正样本对，在对比学习中注入强监督信号，有效建模了类内多样性并增强了特征的判别力；二是通过自适应特征融合模块，巧妙地融合了局部细节与全局上下文信息，提升了对多尺度病理特征的捕捉能力。
这项工作的重要意义在于，它并非简单堆叠现有模型，而是从特征学习的根本机制上进行创新，为医学影像分析中的细粒度分类问题提供了新的思路。实验在公开数据集上取得的领先性能，强有力地证明了该框架的优越性。这标志着在向高精度、高可靠性的脑肿瘤计算机辅助诊断（CAD）系统迈进的路上，又迈出了坚实的一步。未来，此类方法不仅限于脑肿瘤分类，其核心思想——即通过改进监督信号和特征融合方式来提升模型对细微差异的敏感性——有望迁移到其他具有类似挑战的医学影像分析任务中，如不同亚型肺癌的鉴别、皮肤病损的识别等，具有广阔的临床转化与应用前景。
