Hjärntumörklassificering med optimerad ResNet50 och dynamisk precision för ökad hastighet och diagnostisk noggrannhet

Smartare skanningar, snabbare svar

Hjärntumörer är bland de mest skrämmande diagnoser en person kan få, och varje timme som sparas vid upptäckt och klassificering kan vara avgörande. Denna studie presenterar ett nytt artificiellt intelligens (AI)-system som tolkar hjärn-MR-bilder med nästan perfekt noggrannhet samtidigt som det använder mindre beräkningskraft än många befintliga metoder. Denna kombination av snabbhet, precision och effektivitet kan bidra till att göra avancerat diagnostiskt stöd tillgängligt inte bara för stora sjukhus utan också för kliniker med mer modest hårdvara.

Varför det är så svårt att upptäcka hjärntumörer

Hjärntumörer förekommer i många former, storlekar och lägen, och även experter kan ha svårt att skilja subtila skillnader på MR-bilder. Skalle är ett slutet, styvt utrymme, så varje onormal tillväxt kan störa viktiga hjärnfunktioner, vilket gör tidig och korrekt diagnos avgörande. MR är bildmetoden som föredras eftersom den ger detaljerade bilder av mjukvävnad utan skadlig strålning. Men när datamängder växer och tumörtyperna klassificeras mer detaljerat ställs radiologer inför ett överväldigande antal bilder att granska. Detta har ökat intresset för datoriserade system som automatiskt kan flagga och klassificera tumörer, vilket hjälper läkare att arbeta snabbare och fånga detaljer som annars kan förbises.

Bygger vidare på en beprövad AI-arbetsrygg

Forskarna började med ResNet50, en mycket använd djupinlärningsmodell som har presterat väl vid igenkänning av mönster i vardagliga fotografier. ResNet50 är populär eftersom dess speciella “genvägs”-kopplingar tillåter modellen att vara mycket djup utan att bli instabil under träning. Den standardversionen är dock utformad för trefärgade bilder och stora dataset, och den förbrukar mycket minne—problem för gråskaliga MR-bilder och typisk sjukhushårdvara. Teamet anpassade ResNet50:s första lager för att direkt acceptera enkelkanaliga MR-bilder och ersatte det otympliga, allmänna utgångslagret med en lättare, uppgiftsspecifik klassificerare anpassad för fyra kategorier: gliom, meningiom, hypofystumör och ingen tumör.

Mer prestanda med mindre beräkning

För att göra systemet både snabbt och noggrant introducerade författarna en dynamisk precisionsmetod som bestämmer, i realtid, hur noggrant varje del av nätverket behöver utföra sina beräkningar. De flesta av de tunga bildbehandlingslagren körs med lägre precision, vilket är snabbare och använder mindre minne, medan känsliga steg som normalisering och slutliga beslut använder full precision för stabilitet. De använder också transfer learning, vilket innebär att modellen återanvänder kunskap inhämtad från miljontals allmänna bilder och sedan finjusteras på ett mindre dataset med hjärn-MR. Dataaugmentering—enkla speglingar, rotationer och ändringar i ljusstyrka—lär dessutom nätverket att känna igen tumörer även när bilderna varierar något. Tillsammans minskade dessa steg antalet parametrar med cirka 3,7 %, förkortade träningstiden med mer än 12 % och reducerade grafikkortsminnesanvändningen med över 40 % utan att offra prestanda.

Gör AI-beslut lättare att lita på

Hög noggrannhet räcker inte i medicin; läkare behöver också förstå varför ett AI-system kom fram till ett visst slutsats. För att möta detta byggde forskarna en andra, ”hybrid” version av sitt system. I denna konfiguration fungerar ResNet50 som en feature-extraktör och förvandlar varje MR-bild till ett detaljerat numeriskt fingeravtryck. Istället för att skicka detta direkt till ett typiskt djupinlärningsutgångslager matar de det in i en Random Forest, en klassisk maskininlärningsmetod bestående av många beslutsträd. Detta tillvägagångssätt gör det möjligt att rangordna vilka egenskaper som påverkar varje beslut och att skapa visuella kartor som visar vilka hjärnregioner nätverket fokuserade på. I tester uppnådde detta hybrida system 99,31 % noggrannhet—något under den rena djupinlärningsmodellen men med fördelen av tydligare, mer spårbar motivering.

Prestanda som matchar mer komplexa modeller

Teamet utvärderade sina metoder på en offentlig samling av 7 023 MR-bilder hämtade från tre etablerade dataset och indelade i fyra klasser. Den optimerade ResNet50 nådde en total noggrannhet på 99,69 %, och klassificerade nästan varje tumör- och icke-tumörfall korrekt. Den uppnådde 100 % precision för gliom, hypofys och friska skanningar, och nästan perfekta poäng för meningiom. Detaljerade tester visade hög känslighet och specificitet för varje klass, vilket betyder att modellen både var bra på att fånga verkliga tumörer och att undvika falska larm. När den jämfördes med många nyare tillvägagångssätt—inklusive djupare nätverk och sofistikerade hybridupplägg—matchade eller överträffade den optimerade ResNet50 dem, samtidigt som den använde färre parametrar och körde effektivt på vanliga grafikkort.

Från forskning till röntgenavdelningen

Författarna ser sitt system som ett beslutsstödsverktyg integrerat i sjukhusens bildflöden snarare än en ersättning för radiologer. I praktiken skulle MR-bilder strömma från befintliga sjukhussystem in i AI-modellen, som snabbt skulle föreslå en tumörkategori och markera viktiga intresseområden. Radiologer skulle sedan granska dessa förslag tillsammans med råbilderna, och kombinera mänskligt omdöme med maskinens snabbhet. Studien erkänner att mer arbete behövs, särskilt tester på större och mer varierade, multicenter-dataset och att integrera andra bildmetoder. Resultaten tyder ändå på att noggrant designad, resursmedveten AI kan ge snabbt, exakt och tolkbart stöd vid diagnostik av hjärntumörer, vilket potentiellt kan förbättra vården även i miljöer med begränsad beräkningskraft.

Citering: 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

Nyckelord: hjärntumör MRI, djupinlärningsdiagnostik, ResNet50-optimering, medicinsk bild-AI, tumörklassificering