神經侵犯（PNI）是膽管癌（CCA）患者預後不良的重要病理特徵，與腫瘤的區域性復發和遠處轉移密切相關。然而，透過3D磁共振成像（MRI）檢測PNI極具挑戰性，因為腫瘤周邊的成像特徵通常非常細微，且空間異質性高，使得傳統的二維分析難以捕捉這些稀疏的惡性訊號。要準確識別這些空間上稀疏的線索，必須對3D MRI進行全容積分析，但現有的深度學習模型在處理三維醫學影像時計算開銷巨大，嚴重限制了其在臨床環境中的實際部署。
為了克服這一瓶頸，研究團隊提出了一種名為SpikeDS（雙稀疏性Spikformer）的新型脈衝神經網路（SNN）架構。與傳統的卷積神經網路或Transformer不同，SNN透過二進位制的脈衝序列進行資訊傳遞，天然具有啟用稀疏性，從而大幅降低能耗。SpikeDS在此基礎上進一步引入了空間稀疏性：它根據神經元的發放率對3D影像中的視窗進行剪枝，僅保留最顯著的視窗進行處理。這種雙稀疏性策略透過一個新穎的雙稀疏性脈衝注意力（DSSA）模組實現，該模組包含兩個互補的機制。其一是基於視窗的專家混合脈衝注意力（W-EMSA），它僅對發放率高的顯著視窗施加註意力運算，從而避免了對無關區域的冗餘計算。其二是跨視窗脈衝自注意力（CW-SSA），它透過一種非對稱的設計讓被剪枝的視窗仍然提供鍵值資訊，從而實現了全域性上下文的交換，彌補了區域性視窗注意力可能帶來的資訊損失。
研究團隊在一個包含139名膽管癌患者的臨床佇列上進行了5折交叉驗證實驗。結果顯示，SpikeDS在預測PNI方面達到了0.753的曲線下面積（AUC），而能耗僅為14.4毫焦耳。與多種基線方法相比，SpikeDS在診斷效能和能效兩方面均取得了最優表現。這一成果表明，雙稀疏性策略為提升3D脈衝Transformer的效率提供了一條切實可行的硬體感知路徑，且無需犧牲診斷準確性。未來，SpikeDS有望被整合到行動式或低功耗的醫療成像裝置中，推動高精度、低能耗的醫學影像分析進入臨床實踐。此外，該方法的原理也可推廣至其他需要處理稀疏訊號的三維醫學影像任務，如腫瘤分割或早期病變檢測。