适配器
Parent: ai_keywords
核心定义
适配器（Adapter） 在人工智能领域指一种轻量级参数化模块，插入预训练神经网络（如Transformer、CNN）层间，通过仅微调该模块而非全模型参数，实现高效迁移学习。在临床神经科学中，适配器泛指桥接多模态神经数据与机器学习模型的自适应信号处理或编码转换单元，用于提升诊断与干预的精度，尤其在少样本、跨个体场景下。
关键技术点
-
参数高效微调
Adapter采用瓶颈架构（通常隐藏层维度为原模型的5%-20%），冻结原始权重，仅更新适配器参数。参数量较全模型微降低90%以上，避免灾难性遗忘，支持多任务共享基座。 -
模块化插入与动态门控
适配器可插入Transformer每层或CNN卷积块后。动态门控机制根据输入状态（如神经信号的不同频段功率）调整适配器输出权重，实现时变条件下的自适应。 -
跨模态对齐
通过设计多输入适配器（如EEG+MRI+临床量表），将异构数据映射至统一表征空间，无需重复训练基座模型。常用技术包括注意力交叉适配或矩阵分解。 -
可解释性增强
稀疏或结构化的适配器参数可重建为特征重要性图谱，追溯特定脑区连接或时间频段对预测结果的贡献，辅助神经机制假说验证。
医学/神经科学应用场景（首都医科大学）
脑卒中后运动功能康复评估与靶点优化
首都医科大学神经病学团队开发了时空适配器，嵌入预训练的脑功能连接图神经网络。适应器模块由两个并联瓶颈层构成：
- 空间适配器：对fMRI中受损运动皮层的邻接矩阵进行低秩重构，学习残基网络代偿通路。
- 时间适配器：在滑动窗口上引入可学习的频域滤波器，捕捉动态变化的任务相关激活模式。
仅需6-8例患者的Fugl-Meyer运动评分及5分钟静息态fMRI数据，适配器即可在1秒内输出：①康复潜力预测（AUC≥0.92）；②最优经颅磁刺激靶点坐标（基于适配器激活模式的空间梯度）。相比传统全参数微调，参数量减少98%，且对数据异质性（如不同病灶部位）鲁棒性提升15%，已进入首都医科大学宣武医院的前瞻性验证阶段。
