Hibrit Aquila optimizasyonu–Harris Hawks optimizasyonu ile CNN hiperparametre ayarlaması: beyin tümörü sınıflandırmasında

Daha Akıllı Taramalar, Daha Hızlı Yanıtlar

Doktorlar beyin tümörü belirtilerini MRG taramalarında ararken her dakika ve her piksel önem taşır. Bilgisayarlar, eğitimli gözlerin kaçırabileceği ince desenleri tespit ederek yardımcı olabilir, ancak bu sistemleri hem doğru hem de hızlı olacak şekilde öğretmek zordur. Bu çalışma, yaygın bir görüntü analiz modeli türünü otomatik olarak ince ayarlamanın yeni bir yolunu sunuyor; böylece beyin tümörlerini daha doğru ve olağan sürenin çok daha kısa bir sürede sınıflandırabiliyor—bu ilerleme bir gün yoğun hastanelerde daha hızlı ve daha güvenilir teşhislere destek olabilir.

Neden Ayar Yapmak Bu Kadar Zor

Çağdaş yapay zeka sistemleri, özellikle görüntü işinde kullanılanlar, eğitim başlamadan önce insanların belirlemesi gereken düzinelerce “ayar”a bağlıdır. Bu ayarlar, hiperparametreler olarak adlandırılır; modelin ne kadar hızlı öğrendiği, aynı anda kaç örnek görüldüğü, ağın ne kadar derin olduğu ve aşırı uyuma ne ölçüde engel olunduğu gibi öğeleri içerir. Kötü seçimler, temel tasarım sağlam olsa bile modeli yavaş, kararsız veya güvenilmez hale getirebilir. Geleneksel olarak araştırmacılar bu ayarları deneme–yanılma veya basit arama stratejileriyle ayarlar; ancak modeller ve veri setleri büyüdükçe bunlar hızla uygulaması pratik olmayan yaklaşımlar haline gelir.

Doğadan Esinlenen Arama Ortakları

Bu zorluğun üstesinden gelmek için yazarlar hayvan avlanma stratejilerinden ilham alan iki bilgisayar algoritmasına yöneliyor. Aquila optimizasyonu adı verilen biri, geniş bir alanı keşfetmek için yüksekten süzülen bir kartalı taklit eder; olasılıkların geniş bir yelpazesini taramada ve kötü lokal tuzaklardan kaçınmada iyidir, ancak nihai cevaba yerleşmesi yavaş olabilir. Diğeri, Harris Hawks optimizasyonu, avı birlikte kuşatan ve yorulana kadar takip eden şahinleri taklit eder. Vaad eden seçenekleri dikkatle rafine etmede üstündür, ama tek başına kullanıldığında başka yerlerde daha iyi seçenekleri kaçırabilir. Araştırmacılar bu ikisini hibrit bir sistemde birleştiriyor—erken dönemde geniş keşif için Aquila, sonraki incelemede hassaslaştırma için Harris Hawks—böylece beyin taraması sınıflandırıcısı için en iyi hiperparametre ayarlarını arıyorlar.

Hafif Ama Yetenekli Bir Beyin Tarama Modeli İnşa Etmek

Ekip, görüntü görevleri için yaygın bir mimari olan nispeten kompakt bir konvolüsyonel sinir ağı tasarladı; amaç beyin MRG taramalarında dört kategoriyi ayırt etmekti: glioma, meningioma, pitüiter tümör ve tümör yok. 7.023 görüntü içeren açık bir veri seti kullandılar ve veriyi yeniden boyutlandırma, parlaklık normalizasyonu ve modelin yalnızca eğitim örneklerini ezberlememesi için küçük döndürmeler, dikey/yatay çeviriler ve kaydırmalarla veri artırma gibi dikkatli hazırlıklarla işlediler. Ayarlanması gereken temel düğmeler arasında öğrenme hızı, batch boyutu, her katmandaki filtre sayısı, dropout oranı ve öğrenme algoritması seçimi vardı. Hibrit optimizatör, farklı kombinasyonları ağı eğiterek değerlendirdi ve her adayı hem doğruluk hem de eğitim süresi açısından puanlayarak yalnızca doğru değil aynı zamanda verimli olan modelleri ödüllendirdi.

Diğer Arama Stratejilerini Geride Bırakmak

Yeni hibrit yöntem, Parçacık Sürü Optimizasyonu, Genetik Algoritmalar ve Whale Optimization Algorithm gibi üç iyi bilinen arama tekniğiyle karşılaştırıldı. Birden fazla çalışmanın ortalaması alındığında, Aquila–Harris Hawks kombinasyonu yaklaşık %87 doğruluk elde etti; benzer şekilde güçlü precision, recall ve F1-skorları da gösterdi ve bunlar rakip yöntemlerin (yaklaşık %78 ila %83 doğruluk aralığı) üzerindeydi. Aynı derecede önemli olarak, iyi çözümlere çok daha hızlı ulaştı. Diğer yöntemlerin 300 saniyenin üzerinde eğitim süresine ihtiyaç duyduğu durumlarda hibrit yaklaşım 80 saniyenin altında tamamladı. İstatistiksel testler, hem doğruluk hem de hızdaki bu kazanımların şans eseri olma olasılığının düşük olduğunu gösterdi.

Hastalar ve Klinikler için Anlamı

Basitçe ifade etmek gerekirse, çalışma doğadan esinlenen dikkatli bir arama stratejisinin nispeten küçük bir sinir ağının beyin MRG’lerini okuma konusunda hem daha akıllı hem de daha hızlı olmasına yardımcı olabileceğini gösteriyor. Geniş bir ağı atan bir algoritmayla en iyi seçenekleri keskinleştiren bir diğerini birleştirerek yöntem, model için daha iyi ayarları çok daha az boş hesaplamayla buluyor. Çalışma tek bir kamuya açık veri seti üzerinde gösterilmiş olup farklı hastaneler ve koşullar arasında daha fazla test gerektirecek olsa da, sınırlı hesaplama gücüne sahip ortamlarda bile doktorlara daha hızlı ve daha güvenilir tümör sınıflandırması konusunda yardımcı olabilecek yapay zeka araçlarına işaret ediyor.

Atıf: 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

Anahtar kelimeler: beyin tümörü MRG, tıbbi görüntü sınıflandırması, hiperparametre optimizasyonu, konvolüsyonel sinir ağları, meta-sezgisel algoritmalar