Метод оптимизации «манта-рей» и байесовская оптимизация для настройки гиперпараметров сверточных нейронных сетей в классификации рака легкого

Почему это важно для пациентов и врачей

Рак легкого — один из самых смертельных видов рака, и раннее обнаружение на КТ-снимках может спасти жизни. Но научить компьютеры точно читать такие снимки сложно: даже мощные системы искусственного интеллекта могут давать сбои, если их неправильно настроить. В этом исследовании предложен более продуманный способ тонкой настройки компактной сети для анализа изображений, чтобы она точнее и эффективнее выявляла рак легкого, что в будущем может помочь рентгенологам принимать решения быстрее и надежнее.

Более умный способ обучать компьютеры

Современная диагностика на основе изображений часто опирается на глубокое обучение, где сети извлекают шаблоны непосредственно из медицинских снимков. Такие системы уже показали способность различать здоровые легкие и злокачественные узелки, зачастую соперничая с традиционными подходами. Однако их успех сильно зависит от скрытых настроек: скорости обучения, числа фильтров свертки, числа полносвязных нейронов и уровня регуляризации, чтобы избежать переобучения. Традиционно эти параметры подбирают методом проб и ошибок или полным перебором, что медленно, дорого и может пропустить лучшие сочетания. Авторы утверждают, что для задач визуализации рака легкого нужны стратегии настройки, которые одновременно умнее и практичнее.

Сочетание двух поисковых стратегий

Команда предлагает двухэтапную процедуру поиска, рассматривающую настройку модели как исследование неизвестного ландшафта. Сначала вероятностный метод, байесовская оптимизация, учитывает предыдущие результаты моделей и предлагает наиболее перспективные настройки для следующего испытания вместо слепой проверки всех вариантов. Он использует математическую аппроксимацию производительности для направления поиска по пространству скорости обучения, числа свёрточных фильтров, числа полносвязных единиц и доли dropout. Когда этот глобальный этап сузил область поиска, вступает второй метод, вдохновленный кормлением мант в океане. Этот ройный алгоритм мягко изменяет кандидатные настройки цепочечными движениями, закрученными паттернами и резкими «сальто»-прыжками, чтобы уточнить их локально и выйти из мелких западней на поверхности производительности.

Компактная сеть, созданная для КТ

Чтобы воспользоваться этой стратегией настройки, авторы проектируют лёгкую сверточную сеть, адаптированную для КТ-изображений легких. В отличие от тяжёлых моделей с миллионами параметров, их архитектура заимствует идеи компактных мобильных визуальных моделей. Используются глубинно-разделимые свертки и точечные (pointwise) слои для снижения вычислительной нагрузки при сохранении важных визуальных признаков, затем особенности из разных уровней объединяются и подаются в финальный классификационный слой, различающий несколько категорий легких. Тщательная предобработка изображений дополнительно помогает — удаление шума, усиление контраста, выделение границ и увеличение данных для балансировки набора, чтобы редкие или тонкие случаи не остались незамеченными.

Насколько хорошо работает подход

Исследователи тестируют настроенную сеть на нескольких общедоступных наборах КТ-снимков рака легкого, включая клинически реалистичную коллекцию, где злокачественные случаи встречаются чаще, чем нормальные. По сравнению с широко используемыми архитектурами — MobileNet, ResNet, DenseNet и моделями на основе трансформеров — их компактная сеть достигает сопоставимой или лучшей точности при значительно меньшем числе параметров и меньших вычислительных затратах. С комбинированным процессом байесовской и «манта-рей» настройки модель достигает примерно 98 процентов точности на одном из эталонов и поддерживает высокие показатели precision и recall для доброкачественных, злокачественных и нормальных классов. Кросс-валидация и статистические тесты указывают, что гибридная стратегия поиска даёт более стабильные и статистически значимо лучшие результаты по сравнению с другими схемами оптимизации, такими как алгоритмы роя частиц и генетические алгоритмы.

Что это может значить на практике

Для неспециалистов ключевая мысль в том, что настройка процесса обучения модели может быть не менее важна, чем само устройство модели. Сочетая глобальный вероятностный поиск с локальным, натуроподобным шагом уточнения, это исследование показывает, что относительно небольшая сеть может научиться точно анализировать КТ-снимки легких, используя при этом умеренные вычислительные ресурсы. Хотя необходимы дополнительные сравнения с альтернативными методами настройки и крупномасштабные клинические испытания, работа указывает на перспективу создания ИИ-инструментов, которые могут быть интегрированы в повседневное больничное оборудование, поддерживая рентгенологов быстрым вторым мнением и потенциально помогая обнаруживать рак легкого раньше и надежнее.

Цитирование: Samal, S., Sunder, S., Gadekellu, T. et al. A manta ray-bayesian optimization approach for hyperparameter-tuned convolutional neural networks in lung cancer classification. Sci Rep 16, 14794 (2026). https://doi.org/10.1038/s41598-026-42506-y

Ключевые слова: рак легкого, КТ, глубокое обучение, настройка гиперпараметров, медицинская визуализация