מאיץ הממזג Aquila–אופטימיזציית Harris Hawks לכיול היפר‑פרמטרים של CNN בסיווג גידולי מוח

סריקות חכמות יותר, תשובות מהירות יותר

כאשר רופאים מחפשים סימנים לגידולים במוח בסריקות MRI, כל דקה וכל פיקסל קובעים. מחשבים יכולים לסייע בזיהוי דפוסים עדינים שגם עין מאומנת עלולה לפספס, אך ללמד מערכות אלה להיות גם מדויקות וגם מהירות הוא אתגר. המחקר הזה מציג שיטה חדשה לכיול אוטומטי של סוג פופולרי של מודל לניתוח תמונות, כך שיוכל לסווג גידולי מוח בדיוק רב יותר ובשבר מזערי מהזמן הרגיל — התקדמות שעשויה בעתיד לתמוך באבחונים מהירים ואמינים יותר בבתי חולים עמוסים.

מדוע לכוונון כל המתגים קשה כל‑כך

מערכות בינה מלאכותית מודרניות, ובפרט אלו המשמשות לעיבוד תמונה, תלויות בעשרות "מתגים" שצריך להגדיר לפני תחילת האימון. מתגים אלה, שנקראים היפר‑פרמטרים, כוללים קצב למידה, גודל אצווה, עומק הרשת וכוח המניעת התאמה יתרה. בחירות גרועות עלולות להפוך מודל לאיטי, לא יציב או בלתי אמין, אפילו כאשר המבנה הבסיסי תקין. באופן מסורתי חוקרים מכווננים הגדרות אלה בניסוי וטעייה או באמצעות אסטרטגיות חיפוש פשוטות, שהופכות במהירות לבלתי מעשיות ככל שהמודלים והמאגרי הנתונים גדלים ומורכבים יותר.

שותפות חיפוש בהשראת הטבע

כדי להתמודד עם האתגר, המחברים הופנו לשני אלגוריתמים מחשוביים בהשראת אסטרטגיות ציד של בעלי חיים. האחד, המאיץ Aquila, מדמה נשר שמרקיד גבוה כדי לחקור שטח רחב לפני שיורד אל הטרף. הוא טוב בסריקה רחבה של אפשרויות ובהימנעות מלכודות מקומיות רעות, אך עלול להיות איטי בהתייצבות על פתרון סופי. השני, אופטימיזציית Harris Hawks, מדמה בזים שעובדים יחד כדי להקיף ולעייף את הטרף. הוא מצטיין בלטש מבטיחים בקפידה אך עלול לפספס אפשרויות טובות יותר במקום אחר אם יופעל לבדו. החוקרים משלבים בין השניים למערכת היברידית — Aquila לחקירה רחבה מוקדמת, Harris Hawks לדיוק בסיום — כדי לחפש את ההגדרות הטובות ביותר של היפר‑פרמטרים עבור מסווג סריקות מוח.

בניית מודל סריקות מוח קומפקטי אבל כשיר

הקבוצה תכננה רשת עצבית מקונבולוציה יחסית קומפקטית, ארכיטקטורה נפוצה למשימות תמונה, כדי להבחין בארבע קטגוריות בסריקות MRI של המוח: גליאומה, מנינגיומה, גידול שפיץ ההיפופיזה (pituitary) ואין גידול. הם השתמשו במאגר פתוח עם 7,023 תמונות והכינו את הנתונים בקפידה על‑ידי שינוי גודל, נירמול בהירות והגדלת נתונים באמצעות סיבובים קטנים, השפלות והזחות כדי שהמודל לא יזכור פשוט את דוגמאות האימון. המתגים המרכזיים לכיול כללו קצב למידה, גודל אצווה, מספר המסננים בכל שכבה, שיעור השמטה (dropout) ובחירת אלגוריתם הלמידה. המאיץ ההיברידי העריך שילובים שונים על‑ידי אימון הרשת ודירוג כל מועמד הן לפי דיוק והן לפי זמן אימון, תוך מתן עדיפות למודלים שלא רק נכונים אלא גם יעילים.

עוקף אסטרטגיות חיפוש אחרות

השיטה ההיברידית החדשה הושוותה לשלוש טכניקות חיפוש ידועות: איפוס חלקיקים (Particle Swarm Optimization), אלגוריתמים גנטיים ואלגוריתם האופטימיזציה של הלווייתן (Whale Optimization Algorithm). בממוצע על פני ריצות מרובות, שילוב Aquila–Harris Hawks השיג כ־87% דיוק, עם דיוק, אחיזה ו‑F1‑score חזקים בדומה, כולם גבוהים מהשיטות המתחרות שהציגו דיוקים בערך בטווח 78%–83%. לא פחות חשוב, הוא הגיע לפתרונות טובים הרבה יותר מהר. בעוד השיטות האחרות נזקקו ליותר מ‑300 שניות של זמן אימון, הגישה ההיברידית סיימה בפחות מ‑80 שניות. בדיקות סטטיסטיות הראו כי הרווחים הן בדיוק והן במהירות אינם סבירים שנובעים במקרה.

מה זה אומר עבור מטופלים ומרפאות

במילים ברורות, המחקר מראה כי אסטרטגיית חיפוש מתוחכמת בהשראת הטבע יכולה לעזור לרשת עצבית יחסית קטנה להיות גם חכמה יותר וגם מהירה יותר בקריאת סריקות MRI של המוח. על ידי שילוב אלגוריתם שמטיל רשת רחבה עם אלגוריתם שמחדד את האפשרויות הטובות ביותר, השיטה מוצאת הגדרות טובות יותר עבור המודל עם בזבוז חישובי נמוך בהרבה. בעוד שהעבודה הוצגה על מאגר ציבורי יחיד ותדרוש בדיקות נוספות במוסדות ותנאים שונים, היא מצביעה על כלי בינה מלאכותית שיכול לסייע לרופאים בסיווג גידולים מהיר ואמץין יותר, אפילו בסביבות עם כוח מחשוב מוגבל.

ציטוט: Kumar, M., Mohd, N., Shivam, G. et al. Hybrid Aquila optimizer–Harris Hawks optimization for CNN hyperparameter tuning in brain tumor classification. Sci Rep 16, 12799 (2026). https://doi.org/10.1038/s41598-026-43329-7

מילות מפתח: MRI של גידול מוח, סיווג תמונות רפואיות, אופטימיזציית היפר‑פרמטרים, רשתות עצביות עורקיות מקונבולוציה, אלגוריתמים מטא‑היוריסטיים