Klasyfikacja nowotworów mózgu przy użyciu zoptymalizowanego ResNet50 z dynamiczną optymalizacją precyzji dla zwiększenia szybkości i dokładności diagnostycznej

Inteligentniejsze skany, szybsze odpowiedzi

Guzy mózgu należą do najbardziej przerażających diagnoz, jakie może otrzymać pacjent, i każda zaoszczędzona godzina przy ich wykrywaniu i klasyfikacji może mieć znaczenie. W tym badaniu przedstawiono nowy system sztucznej inteligencji (AI), który analizuje skany MRI mózgu z niemalże doskonałą dokładnością, zużywając przy tym mniej mocy obliczeniowej niż wiele istniejących metod. Połączenie szybkości, precyzji i efektywności może pomóc udostępnić zaawansowane wsparcie diagnostyczne nie tylko dużym szpitalom, lecz także klinikom z bardziej ograniczonym sprzętem.

Dlaczego wykrywanie guzów mózgu jest tak trudne

Guzy mózgu występują w wielu kształtach, rozmiarach i lokalizacjach, a nawet eksperci mogą mieć trudności z rozróżnieniem subtelnych różnic na obrazach MRI. Czaszka to zamknięta, sztywna przestrzeń, więc każde nieprawidłowe ognisko może zaburzać kluczowe funkcje mózgu, co czyni wczesną i precyzyjną diagnozę niezbędną. MRI jest narzędziem obrazowania z wyboru, ponieważ dostarcza szczegółowych zdjęć tkanek miękkich bez szkodliwego promieniowania. Jednak wraz ze wzrostem zbiorów danych i coraz drobniejszym rozróżnianiem typów guzów, radiolodzy muszą przejrzeć ogromną liczbę obrazów. To z kolei zwiększyło zainteresowanie systemami komputerowymi, które automatycznie wykrywają i klasyfikują guzy, pomagając lekarzom działać szybciej i wychwycić detale, które mogłyby zostać przeoczone.

Budowanie na sprawdzonej platformie AI

Badacze zaczęli od ResNet50, powszechnie stosowanego modelu uczenia głębokiego, który świetnie radzi sobie z rozpoznawaniem wzorców na zwykłych zdjęciach. ResNet50 jest popularny dzięki specjalnym „skróconym” połączeniom, które pozwalają na tworzenie bardzo głębokich sieci bez niestabilności podczas treningu. Jednak standardowa wersja jest zaprojektowana do obrazów trójkanałowych i dużych zbiorów danych oraz zużywa dużo pamięci — co stanowi problem przy skanach MRI w skali szarości i typowym sprzęcie szpitalnym. Zespół dostosował pierwszą warstwę ResNet50, aby bezpośrednio przyjmowała jednokanałowe obrazy MRI, i zastąpił ciężką, ogólnego przeznaczenia warstwę wyjściową lżejszym, zadaniowo dopasowanym klasyfikatorem do czterech kategorii: glejak, oponiak, guz przysadki oraz brak guza.

Więcej przy mniejszym nakładzie obliczeniowym

Aby system był jednocześnie szybki i dokładny, autorzy wprowadzili metodę dynamicznej precyzji, która w locie decyduje, jak precyzyjnie każda część sieci powinna wykonywać obliczenia. Większość ciężkich warstw przetwarzających obraz działa z liczbami o niższej precyzji, które są szybsze i zużywają mniej pamięci, podczas gdy newralgiczne kroki, takie jak normalizacja i decyzje końcowe, korzystają z pełnej precyzji dla zachowania stabilności. Zastosowali też transfer learning — model wykorzystuje wiedzę nabytą na milionach ogólnych obrazów, a następnie dopracowuje się na mniejszym zbiorze MRI mózgu. Augmentacja danych — proste odbicia, obroty i zmiany jasności — dodatkowo uczy sieć rozpoznawania guzów nawet przy niewielkich wariacjach skanów. Razem te kroki zmniejszyły liczbę parametrów o około 3,7%, skróciły czas treningu o ponad 12% i zredukowały użycie pamięci graficznej o ponad 40% bez utraty wydajności.

Ułatwianie zaufania do decyzji AI

Sama wysoka dokładność nie wystarcza w medycynie; lekarze muszą także rozumieć, dlaczego system AI doszedł do konkretnego wniosku. W odpowiedzi autorzy zbudowali drugą, „hybrydową” wersję systemu. W tym układzie ResNet50 działa jako ekstraktor cech, przekształcając każde MRI w szczegółowy numeryczny odcisk. Zamiast przekazywać go bezpośrednio do typowej warstwy wyjściowej uczenia głębokiego, podają go do Lasu Losowego (Random Forest) — klasycznej metody uczenia maszynowego składającej się z wielu drzew decyzyjnych. Takie podejście umożliwia ranking cech wpływających na każdą decyzję oraz generowanie map wizualnych wskazujących regiony mózgu, na które sieć zwróciła uwagę. W testach hybrydowy system osiągnął 99,31% dokładności — nieco poniżej czystego modelu głębokiego, lecz z korzyścią w postaci jaśniejszego, łatwiejszego do prześledzenia rozumowania.

Wydajność dorównująca bardziej skomplikowanym modelom

Zespół ocenił swoje metody na publicznym zbiorze 7 023 obrazów MRI pochodzących z trzech uznanych zestawów danych, podzielonych na cztery klasy. Zoptymalizowany ResNet50 osiągnął ogólną dokładność 99,69%, prawidłowo klasyfikując niemal każdy przypadek z guzem i bez guza. Uzyskał 100% precyzji dla glejaka, guza przysadki i przypadków zdrowych oraz niemal idealne wyniki dla oponiaka. Szczegółowe testy wykazały wysoką czułość i swoistość dla każdej klasy, co oznacza, że model dobrze wykrywał prawdziwe guzy i jednocześnie unikał fałszywych alarmów. W porównaniu z wieloma ostatnimi podejściami — w tym głębszymi sieciami i zaawansowanymi hybrydowymi schematami — zoptymalizowany ResNet50 dorównywał im lub je przewyższał, przy mniejszej liczbie parametrów i efektywnym działaniu na standardowych kartach graficznych.

Od badań do pracowni radiologicznej

Autorzy przewidują swoje rozwiązanie jako narzędzie wspomagające decyzje zintegrowane z istniejącymi przepływami obrazowania w szpitalach, a nie jako zastępstwo radiologów. W praktyce skany MRI przepływałyby z systemów szpitalnych do modelu AI, który szybko zaproponowałby kategorię guza i wyróżnił kluczowe obszary zainteresowania. Radiolodzy przeglądaliby te sugestie obok surowych obrazów, łącząc ludzkie osądy z szybkością maszyny. Badanie przyznaje, że potrzeba dalszych prac, zwłaszcza testów na większych i bardziej zróżnicowanych, wieloośrodkowych zbiorach oraz uwzględnienia innych metod obrazowania. Mimo to wyniki sugerują, że starannie zaprojektowana, świadoma ograniczeń zasobów AI może dostarczać szybkie, dokładne i interpretowalne wsparcie w diagnozowaniu nowotworów mózgu, potencjalnie poprawiając opiekę także w środowiskach o ograniczonej mocy obliczeniowej.

Cytowanie: Mehrdad, V., Talebzadeh, R. & Fazaeli, N. Brain tumor classification using optimized ResNet50 with dynamic precision optimization for enhanced speed and diagnostic accuracy. Sci Rep 16, 9263 (2026). https://doi.org/10.1038/s41598-026-39926-1

Słowa kluczowe: MRI nowotworu mózgu, diagnostyka z użyciem uczenia głębokiego, optymalizacja ResNet50, sztuczna inteligencja w obrazowaniu medycznym, klasyfikacja guzów