Гибридный оптимизатор Aquila–Harris Hawks для настройки гиперпараметров CNN в классификации опухолей головного мозга

Более умные снимки, быстрее ответы

Когда врачи просматривают МРТ на предмет опухолей головного мозга, важна каждая минута и каждый пиксель. Компьютеры могут помочь, обнаруживая тонкие закономерности, которые способны ускользнуть от человеческого глаза, но обучить такие системы одновременно точности и скорости непросто. В этом исследовании предложен новый способ автоматической настройки популярного типа моделей для анализа изображений, который позволяет классифицировать опухоли точнее и за долю обычного времени — прогресс, который в будущем может способствовать более быстрым и надежным диагнозам в условиях загруженных клиник.

Почему настройка так сложна

Современные системы ИИ, особенно в области обработки изображений, зависят от десятков «регуляторов», которые человек должен задать до начала обучения. Эти регуляторы, называемые гиперпараметрами, включают скорость обучения, размер пакета примеров, глубину сети и степень регуляризации, препятствующей переобучению. Неправильный выбор может сделать модель медленной, нестабильной или ненадежной, даже при удачной базовой архитектуре. Традиционно исследователи подбирают эти параметры методом проб и ошибок или простых поисковых стратегий, которые быстро становятся непрактичными по мере роста моделей и наборов данных.

Поиск, вдохновленный природой

Чтобы справиться с этой задачей, авторы обратились к двум алгоритмам, вдохновленным охотничьим поведением животных. Первый, названный оптимизатором Aquila, имитирует орла, который высоко парит, исследуя широкую область, прежде чем броситься на добычу. Он хорош в сканировании большого пространства вариантов и избегании локальных ловушек, но может медленнее сходиться к окончательному решению. Второй, оптимизация Harris Hawks, подражает ястребам, которые действуют совместно, чтобы окружить и истощить добычу. Она превосходна в аккуратной доработке перспективных вариантов, но при автономном применении может упустить лучшие решения в других областях пространства поиска. Исследователи объединили эти два подхода в гибридную систему — Aquila для раннего широкого поиска и Harris Hawks для поздней тонкой полировки — чтобы искать лучшие настройки гиперпараметров для классификатора мозговых снимков.

Создание компактной, но способной модели для МРТ

Команда разработала относительно небольшую сверточную нейронную сеть, распространенную архитектуру для задач с изображениями, чтобы различать четыре категории на МРТ головного мозга: глиома, менингиома, опухоль гипофиза и отсутствие опухоли. Использовали открытый набор данных из 7 023 изображений и тщательно подготовили данные: изменение размера, нормализация яркости и аугментация изображений небольшими поворотами, отражениями и сдвигами, чтобы модель не запоминала тренировочные примеры. Ключевые параметры для настройки включали скорость обучения, размер батча, число фильтров в каждом слое, коэффициент отсева (dropout) и выбор алгоритма оптимизации. Гибридный оптимизатор оценивал разные сочетания, обучая сеть и оценивая каждую кандидатуру по точности и времени обучения, поощряя модели, которые были не только корректны, но и эффективны.

Лучше, чем другие стратегии поиска

Новый гибридный метод сравнили с тремя известными поисковыми техниками: рой частиц (Particle Swarm Optimization), генетическими алгоритмами и алгоритмом оптимизации китов (Whale Optimization Algorithm). В среднем по нескольким прогонам сочетание Aquila–Harris Hawks достигало примерно 87% точности, с аналогично высокими показателями точности, полноты и F1‑меры, что превосходило конкурирующие методы, показавшие около 78–83% точности. Не менее важно, что гибрид находил хорошие решения значительно быстрее. Когда другим методам требовалось более 300 секунд обучения, гибридный подход укладывался менее чем в 80 секунд. Статистические тесты показали, что эти приросты и по точности, и по скорости вряд ли объясняются случайностью.

Что это означает для пациентов и клиник

Проще говоря, исследование показывает, что продуманная стратегия поиска, вдохновленная природой, может помочь относительно небольшой нейронной сети стать одновременно умнее и быстрее при чтении МРТ головного мозга. Комбинируя алгоритм, который широко исследует пространство вариантов, с другим, который уточняет лучшие опции, метод находит лучшие настройки модели с гораздо меньшими вычислительными затратами. Хотя работа продемонстрирована на одном публичном наборе данных и требует дальнейшей проверки в разных клиниках и условиях, она указывает на перспективу создания ИИ-инструментов, которые могут помогать врачам в более быстрой и надежной классификации опухолей, даже при ограниченных вычислительных ресурсах.

Цитирование: 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

Ключевые слова: МРТ опухоли мозга, классификация медицинских изображений, оптимизация гиперпараметров, сверточные нейронные сети, метаэвристические алгоритмы