文献信息：Hardware‑Aware Functional Kolmogorov‑Arnold Networks for Efficient Medical Image Enhancement and Segmentation;作者：Mohammad Sadegh Sirjani（美国德克萨斯大学圣安东尼奥分校计算机科学系）
在医学影像AI领域，有一类新兴网络叫作Kolmogorov‑Arnold Networks（KAN，柯尔莫哥洛夫‑阿诺德网络），它不同于传统卷积、Transformer网络依靠大量试错调参，拥有扎实的数学理论根基。
其中FunKAN（Functional Kolmogorov‑Arnold Networks，函数型柯尔莫哥洛夫‑阿诺德网络）更是表现亮眼，在去除MRI吉布斯伪影、人体解剖结构分割两项任务上拿到顶尖精度。
但原版FunKAN拥有1160万参数，运算量高达8.7 GFLOPs。想要流畅运行，需要大内存、高功耗的硬件。便携的床边检测设备算力捉襟见肘，直接把这套高性能AI挡在了临床一线门外。
这就形成了行业的现实矛盾：我们需要AI看懂医学影像，可最聪明的模型却参数量巨大，无法大规模本地部署。
来自美国德克萨斯大学圣安东尼奥分校的研究团队，瞄准这个痛点提出了FunKANLite。它不推翻原版FunKAN的空间感知核心能力，而是通过两阶段硬件感知压缩，给庞大模型“科学瘦身”，在尽量保住诊断精度的前提下，适配嵌入式边缘设备，让高精度医学影像AI有机会真正走出实验室，来到床旁、社区筛查现场。
类似的，我们罗小罗团队其实也一直在研究如何让病理AI模型支持本地端侧部署，截至发文这天，我们已经成功将自研标注模型ANNA的参数量降低至1亿一下，可以在16G的显卡上运行，实际效果展示如下。
欢迎对我们模型感兴趣的科研人员、企业，扫码与我们联系！
FunKANLite应用场景
左上的 Glas 是腺体组织病理切片、右上的 BUSI 是乳腺超声、左下的 CVC 是结肠镜息肉影像，这三组都配着医生勾画好的二值 Mask（白色区域即目标病灶或腺体轮廓），走的是分割路线；
右下的 IXI 则是一张张脑部 MRI 横断面，承担 Gibbs 伪影去除的增强任务。
所有影像汇入中央的紫色 FunKANLite 方框后，输出端指向红色的 Segmentation，而方框下方特意放了两块巴掌大的边缘芯片（开发板与模组），旁边标注"Deployed on Edge"——这意味着模型是直接跑在便携、床边的硬件上的，能够完成组织/器官边界的自动描边和 MRI 波纹的清理。
FunKANLite模型架构
模型并没有推倒重来，而是完整沿用了 FunKAN 的 U-Net 式外壳。
左侧自上而下是 Patch Embedding（分块嵌入）、Residual Encoder Block（残差编码）配合 Patch Merging（下采样合并），中间堆叠三个 FunKAN Block，再经对称的解码路径，最后由 ReLU+Conv 头输出 Enhancement 或 Segmentation，分割时编码器与解码器之间用跳跃连接把浅层细节接回来。
一、FunKANLite的创新逻辑
很多人会觉得，想要模型变小，直接粗暴砍掉网络层就好，但简单删减往往会直接毁掉AI识别医学细节的能力。
FunKAN的核心优势是它会理解图片二维空间信息，适配人体解剖局部形变，如果压缩手段粗暴，这份空间感知能力就会消失，分割病灶、修复核磁图像的效果会大幅跳水。
所以，FunKANLite采用两阶段分层压缩策略：
- 第一阶段FunKANLite‑TR，无精度损失地剔除冗余；
- 第二阶段FunKANLite‑ST，借助知识蒸馏进一步压缩规模，适配硬件片上缓存，全程保留FunKAN核心的空间感知建模能力，而不是把原有架构推倒重写。
FunKANLite‑TR
原版FunKAN里有两个消耗绝大多数参数的组件：空间先验模块、偏移预测器。FunKANLite‑TR就从这两处开刀。
首先是压缩空间先验。
你可以把空间先验想象成AI用来感知图像不同位置特征的参考画布。
原版画布尺寸是145×145，模型每一次运算，都会把这块画布缩放匹配当前图片大小。
研究发现这块原始画布尺寸偏大，存在冗余信息。于是团队把画布缩小到110×110，运行的时候依旧动态插值适配图像，不改变计算逻辑。
仅此一项，单块网络模块参数就减少约42%，感知能力却不受影响。
其次是深度可分离模块替换残差偏移预测器。
FunKAN需要动态扭曲基底函数网格，贴合人体解剖的局部形态，这个工作由偏移预测器完成。
原版用厚重的残差块ResBlock实现，参数量巨大。团队换成深度可分离卷积模块：先逐通道单独处理图像信息，再用1×1卷积完成通道信息融合，参数量相比原残差块下降约20倍。
完成这两步之后得到FunKANLite‑TR，参数量相比原版FunKAN降低1.9倍，最关键的是：分割、图像增强的精度几乎没有下降，完成安全的第一轮减重。
FunKANLite‑ST
即便经过第一轮瘦身，FunKANLite‑TR依旧达不到微型边缘设备的内存门槛。
研究团队先分析硬件缓存：Jetson Orin Nano板载片上内存约5.5MB；树莓派5依靠CPU运算，可用片上内存约4.5MB。
如果模型运算过程的数据可以塞进片上缓存，就不用反复读写低速主内存，速度暴涨、能耗大幅下降。
FunKANLite‑ST的改造目标，就是把模型工作集塞进这片狭小的高速缓存中。
这一阶段叠加三项架构改造：
降低厄米特基函数秩数
厄米特基函数就像是一套描述图像信号的画笔，低频画笔描绘大体解剖轮廓，高频画笔刻画细微纹理。
医学影像人体组织大多信号平滑，高频画笔的利用率并不高。
模型把基函数秩数从6下调至4，舍弃高阶分量，注意力矩阵计算量直接缩减三分之一。
空间先验低秩分解
把庞大的空间先验矩阵拆解成两个小矩阵相乘，训练时同时学习两个矩阵，在损失很小信息的前提下大幅削减存储开销。
分割任务与核磁增强任务还会设置不同分解秩，适配两项任务各自特性。
减半滤波器通道宽度
编码器每一层通道数量整体下调，主干网络通道数从128降低至88。
由于FunKAN算子计算复杂度和通道数呈二次关系，通道缩减可以带来可观的算力节省。
只做架构裁剪还不够，模型容易学不到原版老师的智慧。
研究采用知识蒸馏，把已经训练好、精度完好的FunKANLite‑TR当作“老师模型”，训练轻量化的学生模型FunKANLite‑ST。
损失函数一共三部分：任务本身的监督损失、中间特征对齐损失、最终输出对齐损失，让小模型尽可能复刻老师的中间特征和最终输出效果，把大模型学到的医学图像知识迁移到小巧网络里，平衡规模与识别能力。
经过全套改造，FunKANLite‑ST参数量相比原始FunKAN降低5.6倍，运算量降低3.7倍。
二、性能验证
研究设计两套维度验证这套模型：
- 一方面在公开医学数据集检验AI的图像分割、图像修复的诊断精度；
- 另一方面直接部署在NVIDIA Jetson Orin Nano、树莓派5两款真实边缘硬件，实测推理速度、每一张图片推理消耗的能量。
牺牲极小精度，换来体型大幅收缩
测试数据集覆盖三类分割数据集BUSI（乳腺超声）、GlaS（病理切片）、CVC‑ClinicDB（肠镜息肉），还有核磁增强数据集IXI（MRI吉布斯伪影去除），使用IoU、F1衡量分割好坏，PSNR衡量核磁图像修复质量。
原版FunKAN在BUSI数据集IoU达到68.06%；FunKANLite‑TR实现68.94%，不仅没有掉点，还略有提升；最终轻量化版本FunKANLite‑ST IoU为67.34%，和原版差距仅1.4个百分点。
在肠镜、病理切片数据集上也是类似规律，FunKANLite‑ST的指标和基线模型差距很小。
在MRI伪影修复任务IXI数据集，原版FunKAN的PSNR为35.01dB；FunKANLite‑TR为34.80dB；FunKANLite‑ST达到33.95dB。
dB数值越高代表修复图像越接近真实清晰核磁图，1dB左右的差距，肉眼很难分辨。
通俗来讲：压缩后的小模型，依旧可以准确识别超声乳腺病灶、肠镜息肉，修复核磁共振图像的波纹伪影，医学可用度保留完整，只付出了非常有限的精度代价。
速度最高提升2.9倍，能耗最多下降68%
精度过关之后，最重要的考验：放到真实嵌入式硬件表现如何？
研究分别在Jetson Orin Nano带GPU平台，以及无GPU的树莓派5上做完整测试，统计吞吐量（每秒处理多少张医学图片）、单张推理能耗（毫焦耳）。
以乳腺超声BUSI数据集实验数据举例：
- 原始FunKAN在Jetson Orin Nano每秒仅能处理11.3张图像，每张推理消耗2893.6 mJ；
- FunKANLite‑ST每秒可以处理26.0张图像，单张能耗下降至1425.5 mJ。
在算力更弱的树莓派5上差距更加大：原版FunKAN每秒处理5.8张，FunKANLite‑ST达到16.3张，吞吐量提升接近2.9倍，推理能耗从1329.8 mJ下降至444.9 mJ，能耗降幅接近68%。
IXI核磁增强任务上效果更加突出，FunKANLite‑ST在树莓派5上每秒可完成34.6张图片处理，单张能耗仅145.2mJ。
模型运算数据可以完全放进硬件片上高速缓存，避免频繁访问慢速内存，是速度、能耗双双优化的核心原因。
三、轻量化KAN开启移动医学AI新可能
这项工作带来的改变，不止于一个变小的AI模型，它打通了一类理论驱动型AI网络落地临床边缘设备的可行路径。
把影像AI搬到过去难以抵达的地方
过去高性能医学图像KAN网络，只能在大型医院服务器运行。
FunKANLite‑ST的出现，让我们可以把病灶分割、核磁伪影修复AI部署在移动筛查设备：基层社区便携超声设备、野外医疗站点、肠镜便携式工作站。
对于资源有限地区，不需要昂贵高性能服务器，依靠普通嵌入式开发板就可以获得接近顶尖水平的医学影像AI辅助。
医生拍摄超声、肠镜图像之后，本地设备立刻完成病灶分割标记，不用把患者影像上传云端，也兼顾了医疗数据隐私保护，这是云端AI方案很难实现的优势。
同时，研究证明KAN类网络并不天然等同于“大模型高算力”，通过硬件感知、分阶段压缩+知识蒸馏，基于理论的KAN骨干网络完全可以轻量化，给后续更多基于KAN的医学AI研究提供了一套可借鉴的范式。
目前该研究测试任务集中在MRI伪影去除、二维医学图像病灶分割。
顺着这条技术路线继续延伸，未来有机会拓展到更多场景：比如眼底图像分析、便携式设备的实时影像预处理；还可以进一步探索三维医学影像的轻量化FunKAN变体。
当然，技术依旧存在边界：轻量化带来微小的精度损失，复杂疑难病例场景，依旧需要大型模型作为参考；同时这套模型目前只在公开数据集完成验证，距离真实临床大规模落地，还需要更多真实病人数据测试迭代。
即便如此，FunKANLite给我们展示了一幅图景：未来，AI不再仅仅安放在实验室机房。
小小的电路板之上，同样可以运行具备扎实数学理论基础的智能算法，辅助医生看懂医学影像，把智能诊断能力带到更多需要它的角落。
MedX知识岛
看完一篇好论文，下一步该做什么？找代码、查数据，还是尝试复现？
在MedX知识岛，既有医学AI领域最新的顶刊复现，也有最全面的公开代码和数据库查询系统！
注册登录即可免费探索，让医工交叉领域的前沿探索不再为代码和数据所困！
