使用优化的 ResNet50 和动态精度优化的脑肿瘤分类以提升速度与诊断准确性

更聪明的扫描，更快速的答复

脑肿瘤是最令人畏惧的诊断之一，找到并分类它们的每一小时都可能至关重要。本研究提出了一种新的人工智能（AI）系统，能以近乎完美的准确度读取脑部 MRI，同时比许多现有方法使用更少的计算资源。速度、精度与效率的这一组合，不仅有助于大型医院引入先进诊断支持，也能惠及硬件条件较为有限的诊所。

为什么脑肿瘤检测如此困难

脑肿瘤在形状、大小和位置上差异很大，即使专家在 MRI 上也可能难以辨别细微差异。颅腔是封闭且刚性的空间，任何异常生长都可能干扰重要脑功能，因此及早且准确的诊断至关重要。MRI 是首选成像工具，因为它能在无有害辐射的情况下提供软组织的细节图像。但随着数据集增大和肿瘤类型分类变得更细，放射科医师面临的影像数量也激增。这催生了用于自动标注和分类肿瘤的计算机系统的兴趣，帮助医生更快工作并捕捉可能被遗漏的细节。

基于经验证的 AI 骨干构建

研究团队从 ResNet50 开始，这是一个在日常照片模式识别中表现优异的深度学习模型。ResNet50 之所以流行，是因为其特殊的“捷径”连接允许网络非常深而在训练时仍然稳定。然而，标准版本为三通道彩色图像和大规模数据集设计，并且占用大量内存——这对灰度 MRI 与典型医院硬件来说是问题。团队将 ResNet50 的第一层改造为直接接受单通道 MRI 图像，并用更轻量、针对四类（胶质瘤、脑膜瘤、垂体瘤和无肿瘤）任务定制的分类器替换了臃肿的通用输出层。

用更少的计算做更多事

为了使系统既快速又准确，作者引入了一种动态精度方法，实时决定网络中各部分在计算时需要多高的精度。大多数耗算力的图像处理层采用低精度数值以提升速度并节省内存，而诸如归一化和最终判定等敏感步骤则使用全精度以保证稳定性。他们还使用迁移学习，即模型复用在数百万张通用图像上学到的知识，然后在较小的脑 MRI 数据集上进行微调。数据增强——如简单的翻转、旋转和亮度变化——进一步教会网络在扫描略有差异时识别肿瘤。综合这些措施，参数数量约减少了 3.7%，训练时间缩短超过 12%，显存使用减少超过 40%，而性能未受影响。

让 AI 的决策更易被信任

仅有高准确率在医学领域不足以令人满意；医生还需要理解 AI 系统做出某一结论的原因。为此，研究者构建了第二种“混合”版本的系统。在该设置中，ResNet50 作为特征提取器，将每张 MRI 转换为详细的数值指纹。与其将这些特征直接送入典型的深度学习输出层，他们将其输入到随机森林——一种由许多决策树组成的经典机器学习方法。该方法可以对影响每个决策的特征进行排序，并生成可视化图，显示网络关注的大脑区域。测试中，这个混合系统达到了 99.31% 的准确率——略低于纯深度学习模型，但具有更清晰、更可追溯的推理过程这一优势。

性能可与更复杂模型媲美

团队在来自三个已建数据集并被划分为四类的公开集合中评估了其方法，共包含 7,023 张 MRI 图像。优化后的 ResNet50 达到总体 99.69% 的准确率，几乎对每个肿瘤与非肿瘤病例都能正确分类。对胶质瘤、垂体瘤和健康扫描的精确率均达 100%，脑膜瘤也接近完美。详尽测试显示每一类的灵敏度与特异度都很高，表明模型既能有效发现真实肿瘤，又能避免误报。与许多近期方法比较——包括更深的网络和复杂的混合方案——优化后的 ResNet50 要么与之持平，要么性能更优，且参数更少，能在标准显卡上高效运行。

从研究走向放射科应用

作者设想将其系统作为集成于医院影像工作流的决策支持工具，而非取代放射科医生。实际应用中，MRI 扫描将从现有医院系统流入 AI 模型，模型会快速提出肿瘤类别并标出关键关注区域。放射科医师随后会将这些建议与原始图像一起审阅，将人工判断与机器速度相结合。研究也承认还需更多工作，尤其是在更大、更多样化的多中心数据集上验证并整合其它成像方法。尽管如此，结果表明，经过精心设计且考虑资源限制的 AI 可以在诊断脑肿瘤时提供快速、准确且可解释的帮助，潜在地改善计算能力有限环境下的护理质量。

引用: 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

关键词: 脑肿瘤 磁共振成像, 深度学习 诊断, ResNet50 优化, 医学图像 人工智能, 肿瘤 分类