混合Aquila优化器–Harris Hawks优化用于脑肿瘤分类中的CNN超参数调优

更聪明的扫描，更快速的答案

当医生在MRI扫描中寻找脑肿瘤迹象时，每一分钟和每个像素都很重要。计算机可以通过发现即便训练有素的目光也可能错过的细微模式来提供帮助，但要让这些系统既准确又快速并不容易。本研究提出了一种新的自动微调流行图像分析模型的方法，使其能够更准确地分类脑肿瘤并将所需时间缩短为通常的一小部分——这一进展未来有望在繁忙的医院中支持更快速、更可靠的诊断。

为什么调节这些旋钮如此困难

现代人工智能系统，尤其是用于图像的系统，依赖几十个需在训练开始前由人设定的“旋钮”。这些旋钮称为超参数，包括模型学习速度、每次看到多少示例、网络的深度以及防止过拟合的强度等。选择不当会使模型变得缓慢、不稳定或不可靠，即使其基本设计是合理的。传统上，研究人员通过试错或使用简单的搜索策略来调整这些设置，但随着模型和数据集规模增大且更复杂，这些方法很快变得不切实际。

受自然启发的搜索搭档

为了解决这一挑战，作者们借助了两种受动物捕猎策略启发的计算算法。其一称为Aquila优化器，模拟猛禽在高空盘旋以广泛探索区域然后俯冲捕食的行为。它擅长扫描广泛的可能性并避免陷入不良的局部最优，但在收敛到最终解时可能较慢。另一种是Harris Hawks优化，模仿多只鹰协同围捕并疲惫猎物的策略。它在精细改进有希望的选项方面表现出色，但若单独使用可能会错过其他地方的更优选择。研究者将两者结合成混合系统——用Aquila进行早期的广泛探索，用Harris Hawks在后期进行细致打磨——以搜索用于脑部扫描分类器的最佳超参数设置。

构建精简但能干的脑部扫描模型

团队设计了一个相对紧凑的卷积神经网络，这是一种常用于图像任务的架构，用以区分脑MRI扫描中的四类：胶质瘤、脑膜瘤、垂体瘤和无肿瘤。他们使用了包含7023张图像的公开数据集，并通过调整大小、亮度归一化以及对图像进行小幅旋转、翻转和平移等增强来精心准备数据，以防模型仅仅记住训练样本。需要调节的关键“旋钮”包括学习率、批量大小、各层滤波器数量、丢弃率以及学习算法的选择。混合优化器通过训练网络并对每个候选组合在准确率和训练时间两个维度上打分来评估不同组合，从而奖励那些既正确又高效的模型。

优于其他搜索策略

该混合方法与三种知名搜索技术进行了比较：粒子群优化、遗传算法和鲸鱼优化算法。在多次运行的平均结果中，Aquila–Harris Hawks组合达到了约87%的准确率，并在精确率、召回率和F1分数上表现同样出色，均高于竞争方法（这些方法的准确率大致在78%到83%之间）。同样重要的是，它以更快的速度找到良好解。当其他方法需要超过300秒的训练时间时，该混合方法在80秒以内就能完成。统计检验表明，这些在准确性和速度上的提升不太可能是偶然造成的。

这对患者与临床意味着什么

简而言之，这项研究表明，经过精心设计的、受自然启发的搜索策略可以帮助一个相对小型的神经网络在解读脑部MRI扫描时变得既更聪明又更迅速。通过将一种广撒网的算法与另一种对最佳选项进行锐化的算法结合，该方法能以更少的无谓计算找到更优的模型设置。尽管该工作仅在单一公开数据集上演示，并需要在不同医院和条件下做进一步测试，但它指向了能够在计算资源有限的环境中也能帮助医生更快、更可靠地进行肿瘤分类的人工智能工具的可能性。

引用: 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

关键词: 脑肿瘤磁共振成像, 医学图像分类, 超参数优化, 卷积神经网络, 元启发式算法