Clear Sky Science · ru

Классификация опухолей мозга по МРТ с помощью многомасштабной CNN с каналным вниманием, интегрированной с SVM

2026-01-27 · Назад к списку

Умнее сканы для ухода при опухолях мозга

Когда врачи изучают сканы мозга, чтобы определить, есть ли у пациента опухоль и какого она типа, им приходится решать сложную задачу в условиях дефицита времени. В этом исследовании рассматривается новый тип компьютерного помощника, который учится анализировать МРТ‑изображения точнее и надежнее многих существующих методов. Комбинируя два мощных подхода из области искусственного интеллекта, система призвана поддерживать радиологов быстрыми и более надежными вторыми заключениями, что потенциально позволяет ставить диагноз раньше и лучше планировать лечение.

Почему классификация опухолей мозга так сложна

МРТ мозга — это насыщенные, сложные изображения. Опухоли могут сильно различаться по форме, размеру и текстуре, а нормальные структуры мозга и так выглядят детализированными. Эксперты‑люди могут расходиться во мнениях, особенно в тонких случаях. Традиционные компьютерные программы либо полагались на вручную подобранные признаки, либо на стандартные модели глубокого обучения, которые не всегда улавливают все важные детали. Эти старые системы могут испытывать трудности с балансом чувствительности (обнаружение реальных опухолей) и специфичности (избежание ложных срабатываний), а также становиться ненадежными при встрече с новыми пациентами, чьи изображения немного отличаются от обучающей выборки.

Двухкомпонентный ИИ, который смотрит на изображение по‑разному

Исследователи разработали гибридную систему под названием MCACNN‑SVM, которая делит задачу на две стадии: «видеть» и «решать». Сначала специализированная сеть глубокого обучения рассматривает каждый срез МРТ через несколько «линз» одновременно — маленькие, средние и большие окна обзора. Такой многомасштабный подход позволяет модели улавливать как тонкие края, так и более широкие структуры, например едва заметные границы опухоли и ее общую форму. Встроенный модуль «внимания» затем учится определять, какие каналы изображения несут наиболее полезную информацию, усиливая эти сигналы и ослабляя менее значимые фоновые паттерны.

Наконец, вместо того чтобы позволить нейросети самостоятельно принять окончательное решение, высокоуровневые признаки передаются классическому методу машинного обучения — методу опорных векторов, который хорошо проводит разграничение между категориями.

Обучение на реальных госпитальных снимках

Для проверки подхода авторы использовали общедоступный набор данных из более чем 7000 МРТ‑срезов, собранных в китайских больницах. Каждое изображение было уже анонимизировано и обработано и помечено как одна из четырех групп: глиома, менингиома, аденома гипофиза или отсутствие опухоли. Изображения были приведены к единому размеру и слегка трансформированы — повернуты, зеркально отражены и увеличены — чтобы имитировать вариативность, встречающуюся в клинической практике, что помогало модели избежать переобучения на узком наборе примеров. Во время обучения команда тщательно настраивала скорость обучения, циклически повышая и понижая ее по плавному волнообразному графику. Такой график «теплого перезапуска» помогает модели выходить из плохих решений и находить более стабильное состояние, а сеточный поиск подобрал ключевые параметры финального SVM, чтобы он мог проводить максимально четкое разделение типов опухолей.

Насколько хорошо работала система

На невидимых ранее тестовых изображениях гибридная модель правильно классифицировала сканы мозга примерно в 98% случаев, с особенно высокой точностью в распознавании опухолей гипофиза и снимков без опухоли. Детальное разбиение показало высокие значения точности и полноты по категориям, а также почти идеальные показатели по распространенной суммарной метрике ROC‑AUC, которая отслеживает способность системы отделять положительные от отрицательных случаев.

Авторы также сравнили свою архитектуру с известными моделями глубокого обучения, такими как VGG16, ResNet, DenseNet, EfficientNet и ранней многомасштабной моделью. MCACNN‑SVM не только сравнялась или превзошла их по точности, точности позитивных предсказаний и F1‑мере, но и достигла этого с меньшим числом настраиваемых параметров, то есть была относительно легковесной и эффективной. Путем отключения отдельных компонентов в абляционных исследованиях команда показала, что каждая часть — многомасштабный просмотр, механизм внимания и SVM — вносит существенный вклад в итоговую производительность.

Что это может значить для пациентов

Проще говоря, эта работа демонстрирует, что разделение задач на «видение» и «принятие решения» между двумя ИИ‑компонентами может дать более умного помощника для анализа МРТ мозга. Хотя система не заменяет радиологов, она может выступать в роли качественного второго читателя, отмечая подозрительные участки, помогая различать типы опухолей и снижая вероятность пропуска или ошибочной интерпретации. Авторы отмечают, что требуется больше испытаний на разнообразных больницах, сканерах и качестве изображений, а будущие версии будут нацелены на дальнейшее уменьшение веса и повышение универсальности. Тем не менее исследование указывает на инструменты ИИ, которые точны, устойчивы и достаточно практичны для поддержки реальной помощи при опухолях мозга.

Цитирование: Ke, L., Hu, G., Zhao, M. et al. Brain tumor classification from MRI images using a multi-scale channel attention CNN integrated with SVM. Sci Rep 16, 6297 (2026). https://doi.org/10.1038/s41598-026-36164-3

Ключевые слова: МРТ опухоли мозга, ИИ в медицинской визуализации, глубокое обучение, метод опорных векторов, классификация опухолей