小细胞肺癌组织切片分类换用谱域双线性Transformer：准确率0.9697，参数只有MLP-Mixer的三成
核心概要
小细胞肺癌的病理切片分类需要同时看清细胞核的高频纹理和组织的远距离空间关系，卷积网络受固定感受野限制，纯Transformer又难以刻画细粒度核纹理。SCLC-SBT把频域通道重标定放进浅层、把卷积与二维选择性状态空间的双分支放进最深层，在1974张切片的二分类基准上取得0.9697准确率、0.9728 F1和0.9971 AUC，在七项指标中的五项上点估计最优。相对六个最强基线，297例测试集上的差异未达统计显著，因此其明确优势在于以约17M参数和7.0G FLOPs维持有竞争力的精度。
深度剖析
小细胞肺癌切片分类不再只靠单一的空间卷积或全局自注意力，而是在同一分层网络里同时处理频域通道统计与长程空间依赖。 此前卷积网络的感受野受固定核尺寸约束，难以覆盖组织级结构紊乱；纯Transformer的自注意力随序列长度二次增长，且对细胞核级细纹理不敏感。 在1974张H&E切片、按患者划分的297例测试集上，SCLC-SBT取得0.9697准确率、0.9728 F1和0.9971 AUC，在准确率、召回率、F1、AUC和MCC五项上点估计高于包括DeiT、MLP-Mixer、DaViT和CAFormer在内的十一个对比架构。
网络前三个阶段用可重参数化混合卷积块提取多尺度局部特征，并在其中插入频域通道注意力。 频域通道注意力对每个通道的二维快速傅里叶变换幅度取空间平均，得到频谱能量描述子，再经两层MLP生成通道权重。 该模块只对一半通道做频谱重标定，另一半原样通过；去掉它并换回标准通道注意力后，单次运行的准确率下降0.0135，MCC从0.9386降到0.9113。
最深层用双分支结构把渐进空洞卷积与二维选择性状态空间扫描并联，再由深度可分离双线性注意力模块做乘性门控融合。 卷积分支以d、2d、3d的空洞率逐级扩大感受野，线性分支沿四个空间方向扫描特征图并取平均，以线性复杂度建模全局上下文。 在297例测试集上，去掉DBCLIT卷积分支使准确率下降0.0269，是单模块移除中降幅最大的一项；五个随机种子的重复实验中，去掉该分支或去掉SS2D分支相对完整模型的差异仍达统计显著。
启示与展望
结果来自单一机构的89例患者、104张全切片图像提取的1974张H&E切片，按患者划分后测试集为297例，因此反映的是患者间泛化而非跨机构、跨扫描仪或跨染色协议的泛化。批量大小为8时在单块RTX 4060上吞吐为417 img/s，单样本推理则降至99 img/s。
作者明确指出，相对DeiT、MLP-Mixer、CAFormer、Swin-T以及并列的PoolFormer与DaViT这六个最强基线，297例测试集上的差异未达统计显著，因此精度排名只能视为竞争性而非确证领先。多随机种子重复只覆盖了五个模块移除配置，设计选择对比仍为单次运行；跨机构、跨扫描仪与跨染色方案的泛化尚待多中心研究建立。