Hybrid Aquila‑optimerare–Harris Hawks‑optimering för justering av CNN‑hyperparametrar vid klassificering av hjärntumörer

Smartare skanningar, snabbare svar

När läkare söker igenom MR‑skanningar efter tecken på hjärntumörer spelar varje minut och varje pixel roll. Datorer kan hjälpa till genom att upptäcka subtila mönster som även erfarna ögon kan missa, men att lära dessa system att vara både precisa och snabba är svårt. Denna studie presenterar ett nytt sätt att automatiskt finjustera en populär typ av bildanalysmodell så att den kan klassificera hjärntumörer mer exakt och på en bråkdel av vanlig tid—en förbättring som en dag skulle kunna stödja snabbare och mer tillförlitliga diagnoser i pressade sjukhusmiljöer.

Varför det är så svårt att vrida på rattarna

Moderna AI‑system, särskilt de som används för bilder, är beroende av dussintals ”rattar” som människor måste ställa innan träningen börjar. Dessa rattar, kallade hyperparametrar, inkluderar hur snabbt modellen lär sig, hur många exempel den ser åt gången, hur djup nätverket är och hur starkt det förhindras från överanpassning. Dåliga val kan göra en modell långsam, instabil eller opålitlig, även om grunddesignen är sund. Traditionellt justerar forskare dessa inställningar genom trial‑and‑error eller med enkla sökstrategier, vilket snabbt blir opraktiskt när modeller och datamängder växer i storlek och komplexitet.

Naturinspirerade sökpartners

För att ta itu med denna utmaning vänder sig författarna till två datoralgoritmer inspirerade av djurens jaktstrategier. Den ena, kallad Aquila‑optimeraren, efterliknar en örn som svävar högt för att utforska ett stort område innan den dyker mot sitt byte. Den är bra på att skanna ett brett spektrum av möjligheter och undvika dåliga lokala fällor, men kan vara långsam att konvergera mot ett slutgiltigt svar. Den andra, Harris Hawks‑optimering, imiterar hökar som samarbetar för att omringa och trötta ut sitt byte. Den utmärker sig i att noggrant förfina lovande alternativ men kan missa bättre val någon annanstans om den används ensam. Forskarna kombinerar dessa två till ett hybridssystem—Aquila för tidig vid utforskning, Harris Hawks för senare finpolering—för att söka efter de bästa hyperparametervärdena för en hjärn‑scanklassificerare.

Bygga en nätt men kapabel hjärn‑scanningsmodell

Teamet designade ett relativt kompakt konvolutionellt neuralt nätverk, en vanlig arkitektur för bilduppgifter, för att skilja mellan fyra kategorier i hjärn‑MRI: gliom, meningiom, hypofystumör och ingen tumör. De använde en öppen datamängd med 7 023 bilder och förberedde noggrant data genom att ändra storlek, normalisera ljusstyrka och augmentera bilderna med små rotationer, speglingar och förskjutningar så att modellen inte bara skulle memorera träningsexemplen. Viktiga rattar att ställa in inkluderade inlärningshastighet, batchstorlek, antal filter i varje lager, dropout‑grad och val av inlärningsalgoritm. Hybridoptimeraren utvärderade olika kombinationer genom att träna nätverket och poängsätta varje kandidat utifrån både noggrannhet och träningstid, och belönade modeller som inte bara var korrekta utan också effektiva.

Bättre än andra sökstrategier

Den nya hybridmetoden jämfördes med tre välkända söktekniker: Particle Swarm Optimization, genetiska algoritmer och Whale Optimization Algorithm. I genomsnitt över flera körningar uppnådde Aquila–Harris Hawks‑kombinationen cirka 87 % noggrannhet, med liknande stark precision, recall och F1‑poäng, alla högre än de konkurrerande metoderna som låg ungefär mellan 78 % och 83 % noggrannhet. Lika viktigt är att den nådde bra lösningar mycket snabbare. Där de andra metoderna behövde mer än 300 sekunders träningstid blev hybridmetoden klar på under 80 sekunder. Statistiska tester visade att dessa förbättringar i både noggrannhet och hastighet sannolikt inte berodde på slumpen.

Vad detta betyder för patienter och kliniker

Enkelt uttryckt visar studien att en omsorgsfullt utformad, naturinspirerad sökstrategi kan hjälpa ett relativt litet neuralt nätverk att bli både smartare och snabbare på att läsa hjärn‑MRI. Genom att kombinera en algoritm som kastar ett brett nät med en annan som finslipar de bästa alternativen hittar metoden bättre inställningar för modellen med betydligt mindre slöseri av beräkningar. Även om arbetet demonstreras på en enda offentlig datamängd och skulle behöva ytterligare tester över olika sjukhus och förhållanden, pekar det mot AI‑verktyg som kan bistå läkare med snabbare, mer tillförlitlig tumörklassificering, även i miljöer med begränsad beräkningskraft.

Citering: 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

Nyckelord: hjärntumör MRI, medicinsk bildklassificering, hyperparameteroptimering, konvolutionella neurala nätverk, metaheuristiska algoritmer