Бул изилдөө, beyin магниттик-резонанстык сүрөттөрүni глиома, менингиома, гипофиз шишиги жана шишик жок сүрөттөр olmak üzere dört классa ayırmak үчүн EfficientNetB0 tabanlı терең үйрөнүү жана гибриддик машиналык үйрөнүү модельlerini karşılaştırmıştır. Figshare, SARTAJ жана BR35H ачык маалымат булакlarından derlenen toplam 7.023 MRI сүрөтsü колдонулган. Изилдөөчүлөр, bторımsız жана так жөндөөlanmış EfficientNetB0 модельini; EfficientNetB0 менен çıkarılan терең өзгөчөлүкleri Support Vector Machine, K-Nearest Neighbours, Random Forest жана Multilayer Perceptron классlandırıcılarına aktaran dört гибриддик модельle karşılaştırmıştır.

Ana performans таблицасууna göre bторımsız EfficientNetB0 модельi %95 тактык, %98 сезгичтик жана %99 спецификалуулук elde etmiştir. En жогорку жалпы тактык, EfficientNetB0 өзгөчөлүк чыгаргычsı менен Support Vector Machine классlandırıcısını birleştiren гибриддик модельde görülmüş; bu модель үчүн %96 тактык, %98 сезгичтик жана %99 спецификалуулук билдирилген. EfficientNetB0+MLP модельi %94, EfficientNetB0+KNN модельi %93 жана EfficientNetB0+Random Forest модельi %88 тактык üretmiştir.

Sonuçlar, EfficientNetB0 tarafından öğrenмененn сүрөт өзгөчөliklerinin SVM tarafından классlandırılmasının bторımsız модельe göre yaklaşık bir yüzde puanlık жалпы тактык artışı sторlayabмененceğini көрсөтөт. Муну менен бирге makaledeki ana performans таблицасуу, класс bazlı таблица жана ölçeklenebilirlik таблицасуу arasında birbiriyle uyuşmayan маанилер bulunmaktadır. Мындан тышкары маалыматты көбөйтүү sayıları, модель bölünmeleri жана иштетүү sürelerinin кайсы баскычтары kapsadığı tam катары түшүндүрүлгөн эмес.

Изилдөө клиникалык bir диагноз экспериментi değildir. Kullanılan маалыматler geriye dönük жана ачык маалымат kümelerinden alınmıştır; bторımsız бейтапnelerden тышкы валидация, мененriye dönük клиникалык изилдөө, радиолог салыштырууsı же чыныгы бейтап иш агымыnda баалоо түзүмlmamıştır. Модель, шишик derecesini, рак стадиясыni, молекулалык түрчөü, tedavi yanıtını же бейтаптын prognozunu belirlememektedir. Yalnızca сууnulan сүрөтyü dört сүрөт классından birine atamaktadır.

Түркия жагынан мүмкүн öнымi

Изилдөөda Түркиядаn бейтап, бейтапne же MRI cihazı маалыматsi kullanılmamıştır. Buna rторmen ыкма; Түркияда radyoloji, нейрохирургия, нейро-онкология, биомедициналык инженерия жана саламаттык информатикасы alanlarında yürütülebмененcek bilgisayar destekli сүрөт талдоосу изилдөөları açısından uyarlanabilir bir örnek сууnmaktadır. Özellikle терең үйрөнүү модельinin өзгөчөлүк чыгаргыч, daha geleneksel bir algoritmanın болсо son классlandırıcı катары kullanılması; sınırlı эсептөө altтүзүмsına sahip изилдөө ortamları үчүн incelenmeye баалуулук bir tasarım yaklашып кетүүıdır.

Түркияда güжанаnilir колдонуу үчүн ар башка şehir жана бейтапnelerden, ар башка MRI cihazlarından жана сүрөттөө protokollerinden alınan бейтап деңгээлинде маалыматlerle тышкы валидация түзүмlması gerekir. Aynı бейтапya ait сүрөттөрүn окутуу жана тест kümelerine dторılmasını тоскоолдукleyen бейтап bazlı bölünme uygulanmalı; модель натыйжалары uzman радиолог баалооleriyle karşılaştırılmalı; yanlış терс жана жалган позитив натыйжаларыn клиникалык etkмененri өзүнчө өзүнчө incelenmelidir. Бул изилдөө herкайсы bir Türk бейтапnesinde колдонууa hazır, ruhsatlandırılmış же клиникалык диагнозnın yerini alabмененcek bir система сууnmamaktadır.

Изилдөөнүн temel зондlemi эмне?

Beyin шишикlerinin MRI сүрөттөрүnden баалуулукlendirilmesi, сүрөт өзгөчөliklerinin birbirine benzeyebilmesi, шишикlerin ар башка büжүкlük жана жайгашууlarda ortaya çıkması жана сүрөттөө protokollerinin değişebilmesi эмне үчүнiyle zor bir классификация зондlemidir. Manuel баалоо uzmanlık gerektirir жана изилдөөчүлөрa göre yorumlayan kişмененr arasında ар башкаlıklara ачык болушу мүмкүн.

Изилдөөnın amacı, önceden geniş bir doğal сүрөт маалымат топтому üzerinde eğitilmiş EfficientNetB0 модельinin MRI сүрөттөрүnden ayırt edici өзгөчөlikler öğrenip öğreнымediğini жана bu өзгөчөliklerin geleneksel машиналык үйрөнүү классlandırıcılarıyla birleştirilmesinin performansı artırıp artırmadığını баалооktir.

Изилдөөda iki temel yaklашып кетүү салыштырылган:

• Bторımsız терең үйрөнүү модельi: EfficientNetB0 сүрөтyü baştan sona işleyerek түздөн-түз dört классtan birini üretmektedir.
• Hibrit yaklашып кетүү: EfficientNetB0 сүрөтden derin bir өзгөчөlik жанаktörü çıkarmakta, son классификация SVM, KNN, Random Forest же MLP менен түзүмlmaktadır.

Изилдөөnın чыныгыte классlandırdığı şey эмне?

Модель dört сүрөт этикаeti arasında ажыратуу yapmaktadır:

• Глиома
• Менингиома
• Hipofiz шишиги
• Tümör yok

Bu классlar шишиктин стадияsini же derecesini göstermemektedir. Veri kümesinde Evre I, Evre II, Evre III же Evre IV gibi рак стадиясы этикаetleri; төмөн же жогорку derece gibi histolojik dereceler; IDH, 1p/19q же MGMT gibi молекулярдык өзгөчөlikler жок. Демек изилдөөнүн bazı bölümlerinde kullanılan “kanser стадияlerinin классlandırılması” ifadesi, ачыкlanan маалымат түзүмsıyla uyumlu değildir.

Модель aynı zamanda сүрөт üzerinde шишиктин sınırını çizmemekte, hacmini ölçmemekte же кайсы piksel bölgesinin karar üzerinde etkili болгонуnu göstermemektedir. Bu изилдөө bir сегментация изилдөөsı değil, сүрөт деңгээлinde классификация изилдөөsıdır.

Veri kümesi кантип oluşturulmuştur?

Toplam 7.023 MRI сүрөтsü üç ачык булакtan derlenmiştir:

• Figshare мээ шишиги маалымат топтому
• SARTAJ Brain Tumor Classification MRI маалымат топтому
• BR35H Brain Tumor Detection маалымат топтому

“Tümör yok” классındaki сүрөттөр BR35H kaynторından alınmıştır. Изилдөөчүлөр, SARTAJ маалымат топтомуndeki глиома сүрөттөрүnin классlandırılmasında tutarsızlık belirlediklerini жана bu сүрөттөрү Figshare kaynторındaki глиома сүрөттөрүyle değiştirdiklerini bildirmiştir.

Sınıflar tamamen dтоскоолдукi değildir; бирок en küçük жана en büжүк класс arasındaki fark 379 сүрөтdür. Изилдөө, окутуу баскычsında маалыматты көбөйтүү yoluyla классları dтоскоолдукemeyi amaçlamıştır.

Veri ön иштетүү adımları

Özgün сүрөттөр 512×512 piksel boyutundadır. Bütün сүрөттөр EfficientNetB0 модельine giriş amacıyla 299×299 piksele yeniden boyutlandırılmıştır. Ardından parlaklık жана kontrast düzenlemeleri uygulanmış, piksel маанилерi standartlaştırılmıştır.

Metinde normalizasyon иштетүүi, her сүрөт каналından орточоnın çıkarılması жана стандарттык четтөөya bölünmesi yoluyla орточоsı sıfır жана стандарттык четтөөsı bir olan bir dторılım elde edilmesi şeklinde ачыкlanmıştır.

Veri artırma иштетүүleri şunlardır:

• Yaklaşık −25° менен +25° arasında rastgele döndürme
• Yatay çevirme
• Her сүрөтnün ek örnekler üretmek amacıyla artırılması

Изилдөө bir yerde her сүрөтnün “iki kat” artırıldığını, Tablo 1’de болсо her класс үчүн окутуу hedefinin 3.000 сүрөт болгонуnu bildirmektedir. Dört классın her biri 3.000 сүрөтye çıkarılmış olsaydı artırılmış окутуу havuzunun toplamı 12.000 сүрөт olurdu. Бирок aynı таблицаda toplam окутуу kümesi 5.712 сүрөт катары маалыматlmiştir. Hangi сүрөттөрүn artırıldığı, artırılmış сүрөттөрүn ne zaman oluşturulduğu жана 3.000 класс hedefi менен 5.712 окутуу сүрөтsünün кантип bторdaştırıldığı түшүндүрүлгөн эмес.

Eğitim жана тест bölünmesi

Toplam 7.023 сүрөтnün 5.712’si окутуу, 1.311’i тест amacıyla өзүнчөlmıştır. Bu dторılım yaklaşık %81 окутуу жана %19 тест катышına karşılık gelmektedir.

Hibrit модельler үчүн өзүнчөca %80 окутуу жана валидация, %20 тест bölünmesi bildirilmektedir. Бирок bu bölünmenin 5.712–1.311 ажыратууıyla aynı olup olmadığı, her модельde aynı rastgele örneklerin kullanılıp kullanılmadığı же өзүнчө тест kümeleri oluşturulup oluşturulmadığı belirtilmemiştir.

Veri bölünmesinin бейтап деңгээлинде mi yoksa сүрөт деңгээлinde mi түзүмldığı da ачыкlanmamaktadır. Aynı бейтапya ait birden fazla kesit же benzer сүрөт bulunması hâlinde, бейтап bazlı olmayan bir bölünme окутуу жана тест kümeleri arasında bilgi benzerliği oluşturabilir. Изилдөө böyle bir мүмкүнlığın önlendiğine ilişkin бейтап идентификациясы, grup bölünmesi же tekrar сүрөт denetimi сууnmamıştır.

Мындан тышкары маалыматты көбөйтүүnın тест ажыратууından önce mi yoksa sonra mı uygulandığı ачык değildir. Güжанаnilir bir баалооde artırılmış türevlerin yalnızca окутуу bölümünde oluşturulduğunun ачык biçimde gösterilmesi gerekir.

EfficientNetB0 архитектурасы

Изилдөөda EfficientNetB0, yaklaşık 5,3 milyon parametreye жана yaklaşık 82 катмарa sahip bir evrişimli нейрон тармагы катары аныкталган. Ağın temel bмененşenleri şunlardır:

• Başlangıç evrişim катмарı, toplu normalizasyon жана Swish активдештирүүsinden oluşan kök blok
• Mobменен Inжанаrted Bottleneck Convolution blokları
• Derinlik багытыnde өзүнчөlabilir evrişimler
• Squeeze-and-Excitation blokları
• Artık байланышlar
• Küresel орточо havuzlama
• Son класс мүмкүнlıklarını üreten классификация катмарı

Derinlik багытыnde өзүнчөlabilir evrişim, standart bir evrişim иштетүүini канал bazlı жана 1×1 noktasal evrişim баскычтарыna ayırarak иштетүү sayısını azaltmayı amaçlamaktadır. Squeeze-and-Excitation blokları болсо каналların öнымini öğrenerek yararlı өзгөчөliklerin торırlığını artırmayı hedeflemektedir.

Transfer öğrenmesi жана так жөндөө

Изилдөөчүлөр ImageNet üzerinde önceden eğitilmiş EfficientNetB0 салмактарыnı башталгыч чекит катары kullanmıştır. Önceden eğitilmiş катмарlar daha sonra serbest bırakılmış жана MRI маалымат топтому üzerinde yeniden ayarlanmıştır.

Kayıp fonksионu, öğrenme катышı zamanlayıcısı, erken durdurma ölçütü, салмак ажырооsı, rastgele başlangıç tohumu жана en iyi модельin кайсы валидация ölçütüne göre seçildiği belirtilmemiştir.

Çalıştırma ortamı

Изилдөөnın Google Colab Pro+ üzerinde 52 GB RAM жана V2-8 TPU kullanılarak yürütüldüğü белгиленген. Python, Pandas, PyTorch жана Scikit-Learn kütüphaneleri колдонулган. Buna karşılık Tablo 2’de çalıştırma ortamı “GPU” катары yazılmıştır. TPU жана GPU ifadelerinin ар башка экспериментlere mi ait болгону түшүндүрүлгөн эмес.

Python, PyTorch жана Scikit-Learn sürümleri; TPU колдонуу ыкмасы; модельin dторıtık mı yoksa tek aygıtla mı eğitildiği жана иштетүү sürelerinin donanım колдонууına кантип bторlı болгону берилген эмес.

Hibrit модель кантип oluşturulmuştur?

Hibrit yaklашып кетүүda так жөндөөlanmış EfficientNetB0 модельinin son классификация катмарı kullanılmamış; катып жетилүүesel орточо havuzlama çıkışından сүрөт başına 9.216 өзгөчөlikten oluştuğu bildirмененn bir жанаktör çıkarılmıştır. Bu жанаktörler dört ар башка машиналык үйрөнүү algoritmasına маалыматlmiştir.

Özellik жанаktörünün kesin tensör biçimi, кайсы катмарdan alındığı, ölçeklendirilip ölçeklendirilmediği же boyut indirgeme uygulanıp uygulanmadığı өзүнчөntılı катары gösterilmemiştir. Изилдөөda катып жетилүүesel орточо havuzlama менен 9.216 өзгөчөlik arasında байланышyı gösteren катмар çıktısı же kod parçası жок.

Support Vector Machine

SVM, жогорку boyutlu өзгөчөlik uzayında классlar arasında en uygun karar sınırını bulmaya çalışan denetimli bir классlandırıcıdır. Изилдөөda en iyi жалпы натыйжа SVM менен elde edilmiştir. Муну менен бирге doğrusal, polinom же radyal tabanlı кайсы çekirdeğin kullanıldığı; \(C\), \(\gamma\), класс салмактары жана çok класстуу karar stratejisi belirtilmemiştir.

K-Nearest Neighbours

KNN, yeni bir örneği өзгөчөlik uzayındaki en yakın komşularının классlarına göre atamaktadır. Изилдөөda ölçeklenebilirlik bakımından en kısa иштетүү sürelerini üretmiştir. Kullanılan komşu sayısı, uzaklık ölçütü, komşu салмакlandırması жана өзгөчөliklerin standartlaştırılması hakkında bilgi берилген эмес.

Random Forest

Random Forest, ар башка маалымат жана өзгөчөlik alt kümeleriyle eğitмененn çok sayıda karar торacının çoğunluk oyuna dayanmaktadır. İncelenen модельler үчүнde en төмөн ana тактык bu модельde görülmüştür. Ağaç sayısı, azami derinlik, bölünme ölçütü жана her түйүнde kullanılan өзгөчөlik sayısı bildirilmemiştir.

Multilayer Perceptron

MLP, bir же daha fazla gizli катмарdan oluşan алдынкы берилишli нейрон тармагыdır. Ölçeklenebilirlik таблицасууnda en жогорку иштетүү sürelerini MLP üretmiştir. Gizli катмар sayıları, nöron sayıları, активдештирүү fonksиондору, düzenlмененştirme, optimizasyon ыкмасы жана окутуу döнымi берилген эмес.

Değerlendirme ölçütleri

Изилдөөda тактык, сезгичтик жана спецификалуулук колдонулган. Metinde тактык denklemi şu biçimde basılmıştır:

\[ \mathrm{Accuracy}= \frac{TP+TN} {TP+TB+FP+FN}\times100 \]

Bu denklemde paydadaki \(TB\) диагнозmlanmamıştır. Takip eden ачыкlamada \(TP\), \(TN\), \(FP\) жана \(FN\) диагнозmlandığı үчүн \(TB\) ifadesi мүмкүн bir yazım hatasıdır. Standart biçimde toplam örnek sayısını temsil eden payda:

\[ TP+TN+FP+FN \]

olmalıdır. Бирок özgün metindeki hata sessizce düzeltilmemiştir.

Duyarlılık denklemi:

\[ \mathrm{Sensitivity}= \frac{TP}{TP+FN}\times100 \]

Özgüllük denklemi:

\[ \mathrm{Specificity}= \frac{TN}{TN+FP}\times100 \]

şeklindedir. Çok класстуу зондlemde сезгичтик жана özgüllüğün makro орточо, салмакlı орточо же bire karşı diğerleri ыкмасыyle mi hesaplandığı түшүндүрүлгөн эмес.

Изилдөөda kesinlik, F1 puanı, alıcı işletim karakteristiği eğrisi, eğri altındaki alan, tahmin мүмкүнlığı калибрлөөu же karar eşiği талдоосу берилген эмес.

Genel модель натыйжалары

Ana таблицаya göre SVM гибриддикi, bторımsız EfficientNetB0’dan yalnızca bir yüzde puanı daha жогорку тактык üretmiştir. Duyarlılık жана спецификалуулук маанилерi iki модельde aynıdır. Bu эмне үчүнle bildirмененn iyмененşme esas катары toplam doğru классификация катышındaki küçük farkla sınırlıdır.

SVM özgüllüğü ana таблицаda %99 катары gösterilmiştir. Tablo altındaki not, başka bir таблицаda %100 баалуулукi bulunduğunu söylemektedir; бирок atıf маалыматlen Tablo 2 модель архитектурасы жана окутуу parametrelerini içermekte, спецификалуулук sonucu içermemektedir.

Sınıf bazlı натыйжалар

Bu таблицаya göre bторımsız EfficientNetB0, глиома жана гипофиз шишигиnde SVM гибриддикinden daha жогорку; SVM гибриддикi болсо менингиома жана шишик жок сүрөттөрde biraz daha жогорку натыйжа üretmiştir.

Муну менен бирге кыскача жана натыйжа ачыкlamalarında SVM үчүн менингиома %93, шишик жок %99 жана гипофиз шишиги %98 маанилерi маалыматlmiştir. Tablo 5’te шишик жок жана гипофиз шишиги үчүн %97 yazmaktadır. Hangi маанилерin nihai натыйжа болгону ачык değildir.

Tabloda kullanılan “класс doğruluğu” ölçütünün her классın duyarlılığı mı, класс içi doğru tahmin катышı mı же чаташуу матрицасыnden başka bir ыкмаle hesaplanan баалуулук mi болгону диагнозmlanmamıştır.

Karışıklık matrisleri

Изилдөөчүлөр her модель үчүн чаташуу матрицасы oluşturulduğunu belirtmektedir. Бирок incelenen 18 sayfalık sürümde bu matrislerin сандык таблицаları же görselleri жок. Bu эмне үчүнle глиомаların кайсы классla, менингиомаların кайсы классla daha sık karıştırıldığı түздөн-түз баалуулукlendirмененmemektedir.

Karışıklık matrislerinin bulunmaması, өзгөчөlikle tıbbi классификацияda маанилүү olan yanlış терс жана жалган позитив hataların класс bazında incelenmesini тоскоолдукlemektedir.

Ölçeklenebilirlik баалооsi

Hibrit модельler 1.311, 3.200, 4.000 жана 6.000 сүрөтden oluşan dört тест turunda баалуулукlendirilmiştir. Изилдөө тактык, toplam иштетүү süresi, сүрөт başına орточо süre, hata payı жана %95 güжанаn aralıklarını bildirmiştir.

SVC, 6.000 сүрөтde 0,9580 менен en жогорку doğruluğu korumuştur. Bu sonucun %95 ишеним аралыгы 0,9529–0,9631 катары маалыматlmiştir. KNN en төмөн иштетүү sürelerini üretirken 6.000 сүрөтde doğruluğu 0,9327’ye düşmüştür. MLP doğruluğu жогорку kalmasına rторmen 2.166 saniyeyi aşan иштетүү süresiyle en чыгымli модель olmuştur. Random Forest hem тактык bakımından daha төмөн kalmış hem de маалымат büyüdükçe daha belirgin өндүрүмдүүлүк жоготуусу көрсөткөн.

Ölçeklenebilirlik натыйжаларыndaki uyumсууzluk

Ana performans таблицасууnda KNN doğruluğu %93, MLP %94, Random Forest %88 жана SVM %96 катары маалыматlmiştir. Ölçeklenebilirlik таблицасууnun 1.311 сүрөтlü ilk turunda болсо aynı модельler sırasıyla %96,42, %95,65, %93,70 жана %97,93 тактык üretmektedir.

Aynı büжүкlükte болгону görünen 1.311 сүрөтlük тест kümesinde bu kadar ар башка натыйжаларыn эмне үчүн oluştuğu түшүндүрүлгөн эмес. Farklı окутуу kümeleri, ар башка rastgele bölünmeler же өзүнчө эксперимент koşulları kullanılmış болушу мүмкүн; бирок изилдөө bunu belirtmemektedir.

Tartışma bölümünde ilk SVM turu “1.911 сүрөтde 0,9797” катары баяндооlmıştır. Tablo 6’da болсо “1.311 сүрөтde 0,9793” yazmaktadır. Bu эмне үчүнle ölçeklenebilirlik натыйжалары yorumlanırken таблица маанилерinin metinle tam катары uyuşmadığı dikkate alınmalıdır.

Hesaplama чыгымi iddiası

Изилдөө, гибриддик yaklашып кетүүın son классификация баскычsında daha төмөн эсептөө чыгымi жана daha kısa окутуу süresi sторlayabмененceğini мененri sürmektedir. Bu yaklашып кетүүda EfficientNetB0 bir kez өзгөчөлүк чыгаргыч катары kullanıldıktan sonra geleneksel классlandırıcılar өзгөчөlik жанаktörleri üzerinde изилдөөktadır.

Бирок bildirмененn иштетүү sürelerinin EfficientNetB0 өзгөчөlik çıkarma баскычsını içerip içermediği ачык değildir. Bторımsız EfficientNetB0 модельinin окутуу süresi, тест süresi, örnek başına çıkarım süresi, энергия керектөө же bellek колдонууı da aynı таблицаda берилген эмес.

Bu эмне үчүнle “гибриддик модель bторımsız терең үйрөнүү модельinden daha az эсептөө gerektirir” sonucunun nicel büжүкlüğü mevcut маалыматlerden hesaplanamamaktadır. Tablo yalnızca гибриддик классlandırıcıların kendi aralarındaki süre farklarını көрсөтөт.

Изилдөөnın күчтүү yönleri

• Toplam 7.023 сүрөтden oluşan жана üç ачык kaynторı birleştiren görece büжүк bir сүрөт havuzu колдонулган.
• Üç шишик классı менен шишик жок сүрөттөр aynı төрт класстуу зондlem үчүнde баалуулукlendirilmiştir.
• Bторımsız EfficientNetB0 модельi менен dört гибриддик архитектура түздөн-түз салыштырылган.
• Transfer öğrenmesi жана маалыматты көбөйтүү sınırlı tıbbi сүрөт маалыматsi sorununa karşı бирге колдонулган.
• Genel тактык yanında сезгичтик жана спецификалуулук билдирилген.
• Farklı маалымат büжүкlüklerinde иштетүү süresi жана ишеним аралыгы талдоосу түзүмlmıştır.
• Açık маалымат булакları жана этикалык комитет referansı маалыматlmiştir.
• Изилдөө kendi тышкы валидация, MRI sekans ар башкаlığı жана ачыкlanabilirlik чектөөлөрүnı ачыкça kabul etmiştir.

Изилдөөnın чектөөлөрү

• Изилдөө hakem баалооsinden geçmemiş bir preprinttir.
• Veri artırma sonrasındaki класс sayıları toplam окутуу sayısıyla uyuşmamaktadır.
• Ana модель жана гибриддик модельler үчүн маалыматlen маалымат bölünme катышları tam катары aynı değildir.
• Hasta деңгээлinde bölünme түзүмlıp түзүмlmadığı belirtilmemiştir.
• Veri artırmanın тест ажыратууından sonra uygulandığı gösterilmemiştir.
• Farklı ачык маалымат kümelerinin сүрөт formatı, MRI sekansı жана бейтап өзгөчөlikleri tam катары belgelenmemiştir.
• Aynı мекеме же cihazdan gelen görsel işaretlerin модель tarafından öğrenilip öğrenilmediği баалуулукlendirilmemiştir.
• SVM, KNN, Random Forest жана MLP hiperparametreleri берилген эмес.
• Kayıp fonksионu, erken durdurma, модель seçimi жана rastgele başlangıç ayarları түшүндүрүлгөн эмес.
• Karışıklık matrisleri metinde anılmasına rторmen берилген эмес.
• Ana натыйжалар үчүн кайчылаш валидация же tekrarlı экспериментler raporlanmamıştır.
• Farklı таблицаlardaki тактык маанилерi birbiriyle uyuşmamaktadır.
• Sınıf bazlı SVM маанилерi кыскача, ачыкlama жана таблица arasında değişmektedir.
• Bторımsız dış бейтапne маалымат топтомуyle валидация түзүмlmamıştır.
• İleriye dönük клиникалык изилдөө же радиолог салыштырууsı жок.
• Модель kararlarını ачыкlayan ısı haritası, saliency же başka bir XAI çıktısı берилген эмес.
• Модельin мүмкүнlık калибрлөөu жана клиникалык karar eşikleri баалуулукlendirilmemiştir.
• Kaynak kodu, окутуу түзүмlandırması жана модель салмактары үчүн ачык depo байланышsı берилген эмес.

Изилдөөnın desteklediği натыйжалар

• EfficientNetB0, kullanılan тест düzeninde dört сүрөт классını жогорку жалпы тактыкla ayırabilmiştir.
• Ana performans таблицасууnda EfficientNetB0+SVM гибриддикi en жогорку жалпы doğruluğu üretmiştir.
• SVM гибриддикi bторımsız EfficientNetB0’a göre yaklaşık bir yüzde puanı daha жогорку тактык көрсөткөн.
• Random Forest, ana натыйжаларda diğer гибриддик классlandırıcılardan daha төмөн performans көрсөткөн.
• KNN, ölçeklenebilirlik таблицасууnda en kısa иштетүү sürelerini üretmiştir.
• SVC, 6.000 сүрөтlü ölçeklenebilirlik экспериментinde en жогорку doğruluğu korumuştur.
• Örnek sayısı arttıkça bildirмененn hata payları azalmış жана güжанаn aralıkları daralmıştır.

Изилдөөnın kanıtlamadığı натыйжалар

• Модель beyin kanserinin стадияsini классификацияmaktadır.
• Модель шишиктин iyi же kötü huylu болгонуnu kesin катары belirlememektedir.
• Модель шишик derecesini, молекулярдык alt tipini же tedavi seçimini tahmin etmemektedir.
• Изилдөө чыныгы anlamda erken стадия бейтапlık аныктооi yapmamaktadır.
• Модель шишик bölgesini segmentlere ayırmamakta же hacmini ölçmemektedir.
• %96 тактык бардык бейтапnelerde жана бардык MRI cihazlarında aynı performansın elde edмененceğini göstermemektedir.
• Sonuçlar радиолог performansından üstünlük далилдебейт.
• Модель клиникалык диагнозnın yerine geçebмененcek bir tıbbi cihaz катары тастыкталган эмес.
• Yüksek сүрөт деңгээлi doğruluğu бейтап деңгээлинде aynı doğruluğun elde edмененceğini далилдебейт.
• Hibrit модельin toplam uçtan uca эсептөө чыгымinin bторımsız EfficientNetB0’dan төмөн болгону nicel катары gösterilmemiştir.
• Изилдөө модель колдонууının бейтап sторkalımını же tedavi натыйжаларыnı iyмененştirdiğini göstermemektedir.

Изилдөөnın Yöntemi жана Bulguları

Sayısal иш агымы

1. Figshare, SARTAJ жана BR35H булакlarından 7.023 MRI сүрөтsü birleştirilmiştir.
2. SARTAJ kaynторındaki глиома сүрөттөрүnde belirlenen классификация sorunları эмне үчүнiyle глиома классı Figshare сүрөттөрүyle değiştirilmiştir.
3. Görüntüler 512×512 pikselden 299×299 piksele yeniden boyutlandırılmıştır.
4. Parlaklık, kontrast жана piksel normalizasyonu uygulanmıştır.
5. Rastgele döndürme жана yatay çevirme менен маалыматты көбөйтүү түзүмlmıştır.
6. 5.712 сүрөт окутуу, 1.311 сүрөт тест үчүн өзүнчөlmıştır.
7. ImageNet üzerinde önceden eğitilmiş EfficientNetB0 катмарлары MRI маалыматsiyle так жөндөөlanmıştır.
8. Bторımsız EfficientNetB0 модельi төрт класстуу uçtan uca классlandırıcı катары баалуулукlendirilmiştir.
9. EfficientNetB0’dan сүрөт başına 9.216 өзгөчөlik çıkarıldığı билдирилген.
10. Bu өзгөчөliklerle SVM, KNN, Random Forest жана MLP модельleri eğitilmiştir.
11. Модельler тактык, сезгичтик жана спецификалуулукle салыштырылган.
12. Hibrit модельler 1.311–6.000 сүрөт aralığında ölçeklenebilirlik экспериментlerine alınmıştır.

Ana модель түзүмlandırması

Модель sıralaması

Модель bazında yorum

EfficientNetB0: Bторımsız модель %95 жалпы doğruluğa ulaşmıştır. Sınıf bazında en жогорку sonucu %98 менен гипофиз шишигиnde, en төмөн sonucu %92 менен менингиомаda жанаrmiştir.

EfficientNetB0+SVM: Ana таблицаya göre %96 менен en жогорку жалпы doğruluğu sторlamıştır. Бирок класс bazlı маанилер makalenin ар башка bölümlerinde değişmektedir. Ölçeklenebilirlik таблицасууnda 1.311 сүрөт үчүн %97,93 баалуулукinin маалыматlmesi de ana таблицаyla uyumlu değildir.

EfficientNetB0+MLP: Ana таблицаda %94 тактык көрсөткөн. Ölçeklenebilirlik экспериментinde жогорку doğruluğunu büжүк ölçüde korusa da 2.000 saniyeyi aşan süreleriyle en fazla эсептөө süresi gerektiren гибриддик olmuştur.

EfficientNetB0+KNN: Ana таблицаda %93 тактык üretmiştir. Veri büyüdükçe doğruluğu düşmüş, fakat иштетүү süresi bakımından diğer гибриддикlerden belirgin biçimde ылдам kalmıştır.

EfficientNetB0+Random Forest: Ana таблицаda %88 тактыкla en төмөн sonucu жанаrmiştir. Özellikle глиома жана менингиома классlarında diğer модельlerden daha төмөн маанилер elde etmiştir.

Şekil 1’in жанаrdiği bilgi

Изилдөөdaki tek çok parçalı граф KNN, MLP, Random Forest жана SVC модельlerinin dört маалымат büжүкlüğündeki тактыкlarını көрсөтөт. Koyu çizgмененr модель doğruluğunu, ачык çizgмененr %95 ишеним аралыгыnın alt жана üst sınırlarını temsil etmektedir.

Dört графte de маалымат büyüdükçe doğruluğun bir miktar azaldığı görülmektedir. Aynı zamanda örnek sayısının artmasıyla güжанаn aralıkları daralmaktadır. SVC en жогорку тактык eğrisini, Random Forest болсо en төмөн eğriyi üretmiştir.

Grafikler модель doğruluğunu göstermekte, бирок bторımsız EfficientNetB0 модельine ait салыштырууlı bir иштетүү süresi же ölçeklenebilirlik eğrisi içermemektedir.

İstatistiksel баалоо sınırı

Ölçeklenebilirlik таблицасууnda binom катышlarına benzeyen hata payları жана %95 güжанаn aralıkları маалыматlmiştir. Бирок ana %95 жана %96 тактык натыйжалары үчүн aynı güжанаn aralıkları берилген эмес. Модельler arasındaki bir yüzde puanlık farkın статистикалык маанилүү olup olmadığına ilişkin eşleştirilmiş тест же yeniden үлгүлөө талдоосу түзүмlmamıştır.

SVM менен bторımsız EfficientNetB0 aynı сүрөттөр üzerinde баалуулукlendirilmiş olsa bменен, yalnızca yuvarlatılmış тактык маанилерinden bir модельin diğerinden güжанаnilir biçimde üstün болгону sonucuna varmak mümkün değildir. Bunun үчүн örnek bazında hata dторılımları жана tekrarlı экспериментler gerekir; изилдөө bu bilgмененri сууnmamaktadır.

Genellenebilirlik баалооsi

Veri üç ачык булакtan birleştirilmiş olsa da тышкы валидация, окутуу sürecinde hiç kullanılmamış bторımsız bir бейтапne маалымат топтомуyle түзүмlmamıştır. Birleştirмененn булакların ар башка сүрөт biçimleri, kontrastları, çözünürlükleri же кыр boşlukları bulunabilir. Модельin шишик өзгөчөlikleri yerine маалымат kaynторına özgü görsel ipuçlarını öğrenip öğrenmediği тест edilmemiştir.

Изилдөө, Figshare маалыматlerinin T1 салмакlı kontrastlı сүрөттөр içerdiğini belirtmekte; бардык birleşik маалымат топтомуndeki sekansların aynı olup olmadığı болсо ачыкlanmamaktadır. T1, T2, FLAIR же kontrastlı сүрөттөрүn karışması hâlinde модельin чыныгы клиникалык жалпыlenebilirliği өзүнчөca баалуулукlendirilmelidir.

Klinik колдонууa ilişkin баалоо

Изилдөөчүлөр системаi радиологlar жана nöro-onkologlar үчүн ikinci görüş же karar destek aracı катары баалооktedir. Бирок изилдөөдө uzman okuyucu экспериментi, клиникалык иш агымы тестi, диагноз süresi салыштырууsı же kullanıcı güжанаni талдоосу түзүмlmamıştır.

Модель tahmini, histopatolojik текшерүү же клиникалык баалоо yerine geçmez. Глиома, менингиома жана гипофиз шишиги диагнозları yalnızca tek bir iki boyutlu сүрөт классификацияsına dayanarak kesinleştirмененmez. Mevcut изилдөө, algoritmik performansın ilk teknik баалооsi niteliğindedir.

Genel bilimsel баалоо

Изилдөөnın temel bulguсуу, EfficientNetB0’dan çıkarılan derin сүрөт өзгөчөliklerinin SVM менен классlandırılmasının kullanılan маалымат düzeninde күчтүү натыйжа üretebildiğidir. SVM гибриддикi ana таблицаda bторımsız модельe göre küçük bir тактык artışı sторlamıştır.

Муну менен бирге натыйжаларыn güжанаnilirliğini sınırlayan başlıca konu, ар башка таблицаların aynı модельler үчүн ар башка тактыкlar bildirmesidir. Veri artırma жана окутуу kümesi sayılarının uyuşmaması da экспериментin yeniden üretilmesini zorlaştırmaktadır.

Изилдөө клиникалык колдонууa hazır bir диагноз системаi göstermekten çok, EfficientNetB0 өзгөчөlikleriyle ар башка классlandırıcıların karşılaştırılmasına yönelik bir ön изилдөө катары баалуулукlendirilmelidir. Yöntemin чыныгы баалуулукi; бейтап bazlı bölünme, aynı тест kümesi, eksiksiz hiperparametreler, ачык kod, тышкы валидация жана мененriye dönük клиникалык тестlerle yeniden sınandığında belirlenebilir.

Kaynak жана Yöntem Notu

Изилдөөnın tam özgün adı: Hybrid Deep Learning Using MRI Scans for Advancements of Brain Tumours Multi-Classifications

Yazarlar жана sıraları: Amirparsa Rouhi; Fatemeh Parsakordasiabi; Timothy Albiges; Zoheir Sabeur.

Eş birinci автор: Изилдөөda eşit katkı же eş birinci авторlık beyanı жок. Yazar adlarındaki yıldız işareti ortak мекеме dipnotuna yönelmektedir.

Sorumlu автор: Zoheir Sabeur. Изилдөөda мененtişim adresi zsabeur@bourнымouth.ac.uk катары маалыматlmiştir.

Kurum: Bütün авторлор үчүн Bourнымouth Uniжанаrsity, Poole, Dorset, BH15 5BB, United Kingdom bilgisi маалыматlmiştir. Kurumun posta kodu изилдөөдө yazıldığı biçimde korunmuştur; bторımsız мекеме kaydındaki ар башка posta kodu sessizce metne aktarılmamıştır.

Yazar e-posta adresleri:

• Amirparsa Rouhi: s5643275@bourнымouth.ac.uk
• Fatemeh Parsakordasiabi: s5643276@bourнымouth.ac.uk
• Timothy Albiges: talbiges@bourнымouth.ac.uk
• Zoheir Sabeur: zsabeur@bourнымouth.ac.uk

DOI: Изилдөөnın PDF metninde ачык bir DOI bilgisi орун алган эмес жана DOI bторımsız катары doğrulanamamıştır.

SSRN кыскача numarası: 7181697.

Kaynak türü: Tıbbi сүрөт классификацияsı, терең үйрөнүү жана машиналык үйрөнүү preprint изилдөө makalesi.

Yayın platformu: SSRN.

Dergi: Hakemli bir dergi adı же yayımlanmış dergi sürümü изилдөөдө belirtilmemiştir.

Yayınevi: Ayrı bir dergi yayınevi bilgisi орун алган эмес.

Yıl: Dosya metadata bilgмененri 2026 yılını көрсөтөт; ana metinde өзүнчөca ачык yayın tarihi берилген эмес.

Hakemlik durumu: Изилдөө рецензиядан өткөн эмес. Her sayfada “Preprint not peer reviewed” uyarısı bulunmaktadır.

Resmî жазуу байланышsı:https://papers.ssrn.com/sol3/papers.cfm?abstract_id=7181697

Etik баалоо: Изилдөө Bourнымouth Uniжанаrsity Ethics Board tarafından 66271 referans numarasıyla баалуулукlendirilmiştir. Yalnızca geriye dönük, ачык жана anonimleştirilmiş маалымат tabanları kullanıldığı үчүн өзүнчөca бейтап onamı gerekmediği белгиленген.

Finansman: Изилдөөчүлөр kamu, ticari же kâr amacı gütmeyen каржылоо kuruluşlarından өзгөчө bir hibe alınmadığını bildirmiştir.

Çıkar çatışması: Yazarlar изилдөөyı etkмененyebмененcek bilinen mali çıkar же kişболсоl ilişki bulunmadığını beyan etmiştir.

Açık маалымат булакları:

• Figshare Brain Tumor Dataset
• SARTAJ Brain Tumor Classification MRI
• BR35H Brain Tumor Detection

Kod жана модель kullanılabilirliği: Kaynak kodu, окутуу bэтикаleri, eğitilmiş модель салмактары же эксперимент түзүмlandırmaları үчүн ачык depo байланышsı берилген эмес.

Yazar katkıları:

• Amirparsa Rouhi: Kavramsallaştırma, ыкма, yazılım, валидация, biçimsel талдоо, изилдөө жана gözden geçirme-düzenleme.
• Fatemeh Parsakordasiabi: Kavramsallaştırma, ыкма, yazılım, валидация, biçimsel талдоо, изилдөө, ilk taslak жана gözden geçirme-düzenleme.
• Timothy Albiges: Biçimsel талдоо, görselleştirme, danışmanlık жана gözden geçirme-düzenleme.
• Zoheir Sabeur: Biçimsel талдоо, danışmanlık жана gözden geçirme-düzenleme.

Bu түркчө içerik, жүкlenen 18 sayfalık изилдөө baştan sona incelenerek hazırlanmıştır. Bilimsel ыкма, маалымат sayıları, модель parametreleri, performans өлчөөлөрi, таблицаlar, графler жана чектөөlar yalnızca изилдөөдө сууnulan bilgмененre dayanmaktadır. Dış булакlar yalnızca bibliyoграф мекеме жана автор идентификациясы kontrolü amacıyla колдонулган.

Изилдөөda görülen сандык жана editoryal uyumсууzluklar sessizce düzeltilmemiştir. Bunlar arasında 3.000 сүрөт катары bildirмененn класс hedefleriyle 5.712 сүрөтlük окутуу kümesinin uyuşmaması, iki ар башка маалымат bölünmesi, ana жана ölçeklenebilirlik таблицаlarındaki ар башка тактык маанилерi, SVM класс натыйжаларыndaki değişiklikler, yanlış таблица atıfları, 1.311–1.911 сүрөт uyuşmazlığı жана тактык denklemindeki диагнозmsız “TB” terimi bulunmaktadır.

Изилдөөnın en маанилүү bilimsel чектөөлөрү; бейтап bazlı маалымат bölünmesinin gösterilmemesi, bторımsız тышкы валидация bulunmaması, MRI sekanslarının бардык маалымат топтомуnde standart olmaması, модель hiperparametrelerinin eksikliği, ачыкlanabilirlik çıktılarının сууnulmaması, karışıklık matrislerinin yayımlanmaması жана клиникалык баалоо түзүмlmamasıdır. Bildirмененn %96 тактык, bu чектөөlar altında чыныгыleştirмененn сүрөт деңгээлi тестin sonucudur жана клиникалык диагноз başarısı катары yorumlanmamalıdır.