Ushbu tadqiqot miya magnit-rezonans tasvirlarini glioma, meningioma, gipofiz oʻsmasi va oʻsma aniqlanmagan tasvirlardan iborat toʻrtta sinfga ajratish uchun EfficientNetB0 asosidagi chuqur oʻrganish hamda gibrid mashinaviy oʻrganish modellarini taqqoslagan. Figshare, SARTAJ va BR35H ochiq ma’lumot manbalaridan jamlangan jami 7.023 ta MRI tasviri ishlatilgan. Tadqiqotchilar mustaqil va nozik sozlangan EfficientNetB0 modelini EfficientNetB0 yordamida ajratib olingan chuqur xususiyatlarni Support Vector Machine, K-Nearest Neighbours, Random Forest va Multilayer Perceptron klassifikatorlariga uzatuvchi toʻrtta gibrid model bilan taqqoslagan.

Asosiy ishlash jadvaliga koʻra, mustaqil EfficientNetB0 modeli %95 aniqlik, %98 sezgirlik va %99 xoslikka erishgan. Eng yuqori umumiy aniqlik EfficientNetB0 xususiyat ajratgichi bilan Support Vector Machine klassifikatorini birlashtirgan gibrid modelda kuzatilgan; bu model uchun %96 aniqlik, %98 sezgirlik va %99 xoslik bildirilgan. EfficientNetB0+MLP modeli %94, EfficientNetB0+KNN modeli %93 va EfficientNetB0+Random Forest modeli %88 aniqlik koʻrsatgan.

Natijalar EfficientNetB0 tomonidan oʻrganilgan tasvir xususiyatlarini SVM bilan tasniflash mustaqil modelga nisbatan umumiy aniqlikni taxminan bir foiz punktga oshirishi mumkinligini koʻrsatadi. Biroq maqoladagi asosiy ishlash jadvali, sinflar boʻyicha jadval va masshtablanuvchanlik jadvali oʻrtasida bir-biriga mos kelmaydigan qiymatlar mavjud. Shuningdek, ma’lumotlarni koʻpaytirish sonlari, model boʻlinishlari va hisoblash vaqtlarining qaysi bosqichlarni qamrab olishi toʻliq tushuntirilmagan.

Tadqiqot klinik tashxis sinovi emas. Foydalanilgan ma’lumotlar retrospektiv va ochiq ma’lumot toʻplamlaridan olingan; mustaqil shifoxonalardan tashqi validatsiya, istiqbolli klinik tadqiqot, radiologlar bilan taqqoslash yoki haqiqiy bemor ish jarayonida baholash oʻtkazilmagan. Model oʻsma darajasini, saraton bosqichini, molekulyar kichik turini, davolashga javobni yoki bemor prognozini aniqlamaydi. U faqat taqdim etilgan tasvirni toʻrtta tasvir sinfidan biriga tegishli deb belgilaydi.

Turkiya nuqtayi nazaridan mumkin boʻlgan ahamiyati

Tadqiqotda Turkiyadan bemor, shifoxona yoki MRI qurilmasi ma’lumotlari ishlatilmagan. Shunga qaramay, usul Turkiyada radiologiya, neyroxirurgiya, neyroonkologiya, biotibbiyot muhandisligi va sogʻliqni saqlash informatikasi sohalarida olib borilishi mumkin boʻlgan kompyuter yordamidagi tasvir tahlili tadqiqotlari uchun moslashtiriladigan namuna beradi. Ayniqsa, chuqur oʻrganish modelidan xususiyat ajratgich, an’anaviyroq algoritmdan esa yakuniy klassifikator sifatida foydalanish cheklangan hisoblash infratuzilmasiga ega tadqiqot muhitlari uchun oʻrganishga arzigulik dizayn yondashuvidir.

Turkiyada ishonchli foydalanish uchun turli shahar va shifoxonalardan, turli MRI qurilmalari hamda tasvirlash protokollaridan olingan bemor darajasidagi ma’lumotlar bilan tashqi validatsiya oʻtkazilishi kerak. Bir bemorga tegishli tasvirlarning oʻqitish va test toʻplamlariga tarqalib ketishini oldini oluvchi bemor asosidagi boʻlinish qoʻllanishi; model natijalari mutaxassis radiologlar baholari bilan taqqoslanishi; notoʻgʻri manfiy va notoʻgʻri musbat natijalarning klinik ta’siri alohida koʻrib chiqilishi lozim. Ushbu tadqiqot biror turk shifoxonasida foydalanishga tayyor, litsenziyalangan yoki klinik tashxis oʻrnini bosa oladigan tizimni taqdim etmaydi.

Tadqiqotning asosiy muammosi nimadan iborat?

Miya oʻsmalarini MRI tasvirlaridan baholash tasvir xususiyatlarining bir-biriga oʻxshashi, oʻsmalarning turli oʻlcham va joylashuvlarda paydo boʻlishi hamda tasvirlash protokollarining oʻzgarishi sababli murakkab tasniflash muammosidir. Qoʻlda baholash mutaxassislikni talab qiladi va tadqiqotchilarga koʻra, talqin qiluvchilar oʻrtasidagi farqlarga ochiq boʻlishi mumkin.

Tadqiqotning maqsadi oldindan katta tabiiy tasvirlar ma’lumot toʻplamida oʻqitilgan EfficientNetB0 modeli MRI tasvirlaridan farqlovchi xususiyatlarni oʻrgana oladimi va bu xususiyatlarni an’anaviy mashinaviy oʻrganish klassifikatorlari bilan birlashtirish ishlash samaradorligini oshiradimi, shuni baholashdir.

Tadqiqotda ikkita asosiy yondashuv taqqoslangan:

• Mustaqil chuqur oʻrganish modeli: EfficientNetB0 tasvirni boshidan oxirigacha qayta ishlab, bevosita toʻrtta sinfdan birini chiqaradi.
• Gibrid yondashuv: EfficientNetB0 tasvirdan chuqur xususiyatlar vektorini ajratadi, yakuniy tasniflash esa SVM, KNN, Random Forest yoki MLP yordamida amalga oshiriladi.

Tadqiqot aslida nimani tasniflaydi?

Model toʻrtta tasvir yorligʻi oʻrtasida farqlashni amalga oshiradi:

• Glioma
• Meningioma
• Gipofiz oʻsmasi
• Oʻsma yoʻq

Bu sinflar oʻsmaning bosqichi yoki darajasini koʻrsatmaydi. Ma’lumot toʻplamida Bosqich I, Bosqich II, Bosqich III yoki Bosqich IV kabi saraton bosqichi yorliqlari; past yoki yuqori daraja kabi gistologik darajalar; IDH, 1p/19q yoki MGMT kabi molekulyar xususiyatlar mavjud emas. Shu sababli tadqiqotning ayrim boʻlimlarida ishlatilgan “saraton bosqichlarini tasniflash” iborasi tavsiflangan ma’lumot tuzilmasiga mos kelmaydi.

Model shuningdek tasvirda oʻsma chegarasini chizmaydi, uning hajmini oʻlchamaydi yoki qaysi piksel hududi qarorga ta’sir qilganini koʻrsatmaydi. Bu tadqiqot segmentatsiya tadqiqoti emas, balki tasvir darajasidagi tasniflash tadqiqotidir.

Ma’lumotlar toʻplami qanday yaratilgan?

Jami 7.023 ta MRI tasviri uchta ochiq manbadan jamlangan:

• Figshare miya oʻsmasi ma’lumotlar toʻplami
• SARTAJ Brain Tumor Classification MRI ma’lumotlar toʻplami
• BR35H Brain Tumor Detection ma’lumotlar toʻplami

“Oʻsma yoʻq” sinfidagi tasvirlar BR35H manbasidan olingan. Tadqiqotchilar SARTAJ ma’lumotlar toʻplamidagi glioma tasvirlarini tasniflashda nomuvofiqlik aniqlaganlarini va ushbu tasvirlarni Figshare manbasidagi glioma tasvirlari bilan almashtirganlarini bildirgan.

Sinflar toʻliq muvozanatlangan emas; biroq eng kichik va eng katta sinf oʻrtasidagi farq 379 ta tasvirdir. Tadqiqot oʻqitish bosqichida ma’lumotlarni koʻpaytirish orqali sinflarni muvozanatlashtirishni maqsad qilgan.

Ma’lumotlarni oldindan qayta ishlash bosqichlari

Asl tasvirlar 512×512 piksel oʻlchamda. Barcha tasvirlar EfficientNetB0 modeliga kirish uchun 299×299 pikselga qayta oʻlchamlangan. Soʻng yorqinlik va kontrast tuzatishlari qoʻllanib, piksel qiymatlari standartlashtirilgan.

Matnda normallashtirish jarayoni har bir tasvir kanalidan oʻrtacha qiymatni ayirish va standart ogʻishga boʻlish orqali oʻrtachasi nol, standart ogʻishi esa bir boʻlgan taqsimotni hosil qilish tarzida tushuntirilgan.

Ma’lumotlarni koʻpaytirish amallari quyidagilar:

• Taxminan −25° dan +25° gacha tasodifiy aylantirish
• Gorizontal akslantirish
• Qoʻshimcha namunalar yaratish maqsadida har bir tasvirni koʻpaytirish

Tadqiqotning bir joyida har bir tasvir “ikki baravar” koʻpaytirilgani, 1-jadvalda esa har bir sinf uchun oʻqitish maqsadi 3.000 ta tasvir ekani bildirilgan. Agar toʻrtta sinfning har biri 3.000 ta tasvirgacha koʻpaytirilganida, kengaytirilgan oʻqitish jamgʻarmasi jami 12.000 ta tasvirni tashkil etardi. Biroq ayni jadvalda jami oʻqitish toʻplami 5.712 ta tasvir deb koʻrsatilgan. Qaysi tasvirlar koʻpaytirilgani, koʻpaytirilgan tasvirlar qachon yaratilgani va 3.000 sinf maqsadi bilan 5.712 ta oʻqitish tasviri qanday muvofiqlashtirilgani tushuntirilmagan.

Oʻqitish va testga boʻlinish

Jami 7.023 ta tasvirning 5.712 tasi oʻqitish, 1.311 tasi test uchun ajratilgan. Bu taqsimot taxminan %81 oʻqitish va %19 test nisbatiga mos keladi.

Gibrid modellar uchun qoʻshimcha ravishda %80 oʻqitish va validatsiya, %20 test boʻlinishi ham bildirilgan. Biroq bu boʻlinish 5.712–1.311 ajratilishi bilan bir xilmi, har bir modelda aynan bir xil tasodifiy namunalar ishlatilganmi yoki alohida test toʻplamlari yaratilganmi — koʻrsatilmagan.

Ma’lumotlarning bemor darajasida yoki tasvir darajasida boʻlingani ham tushuntirilmagan. Bir bemorga tegishli bir nechta kesim yoki oʻxshash tasvir mavjud boʻlsa, bemor asosida boʻlmagan boʻlinish oʻqitish va test toʻplamlari oʻrtasida axborot oʻxshashligini yuzaga keltirishi mumkin. Tadqiqot bunday ehtimolning oldi olinganini koʻrsatuvchi bemor identifikatori, guruh boʻlinishi yoki takroriy tasvir nazoratini taqdim etmagan.

Shuningdek, ma’lumotlarni koʻpaytirish test ajratilishidan oldinmi yoki keyinmi qoʻllangani aniq emas. Ishonchli baholashda koʻpaytirilgan hosila tasvirlar faqat oʻqitish boʻlimida yaratilgani ochiq koʻrsatilishi kerak.

EfficientNetB0 arxitekturasi

Tadqiqotda EfficientNetB0 taxminan 5,3 million parametr va taxminan 82 qatlamga ega konvolyutsion neyron tarmoq sifatida ta’riflangan. Tarmoqning asosiy tarkibiy qismlari quyidagilar:

• Boshlangʻich konvolyutsiya qatlami, batch normallashtirish va Swish faollashtirishidan iborat ildiz blok
• Mobile Inverted Bottleneck Convolution bloklari
• Chuqurlik boʻyicha ajraladigan konvolyutsiyalar
• Squeeze-and-Excitation bloklari
• Qoldiq bogʻlanishlar
• Global oʻrtacha pooling
• Yakuniy sinf ehtimollarini hosil qiluvchi tasniflash qatlami

Chuqurlik boʻyicha ajraladigan konvolyutsiya standart konvolyutsiya amalini kanal boʻyicha va 1×1 nuqtaviy konvolyutsiya bosqichlariga ajratib, amallar sonini kamaytirishni maqsad qiladi. Squeeze-and-Excitation bloklari esa kanallarning ahamiyatini oʻrganib, foydali xususiyatlarning vaznini oshirishni koʻzlaydi.

Transfer oʻrganish va nozik sozlash

Tadqiqotchilar ImageNet’da oldindan oʻqitilgan EfficientNetB0 ogʻirliklaridan boshlangʻich nuqta sifatida foydalangan. Oldindan oʻqitilgan qatlamlar keyinchalik erkinlashtirilgan va MRI ma’lumotlar toʻplamida qayta sozlangan.

Yoʻqotish funksiyasi, oʻrganish tezligi rejalashtirgichi, erta toʻxtatish mezoni, ogʻirliklarning kamayishi, tasodifiy boshlangʻich urugʻi va eng yaxshi model qaysi validatsiya mezoni asosida tanlangani koʻrsatilmagan.

Ishga tushirish muhiti

Tadqiqot Google Colab Pro+ muhitida 52 GB RAM va V2-8 TPU yordamida bajarilgani bildirilgan. Python, Pandas, PyTorch va Scikit-Learn kutubxonalari ishlatilgan. Biroq 2-jadvalda ishga tushirish muhiti “GPU” deb yozilgan. TPU va GPU ifodalari turli tajribalarga tegishlimi, bu tushuntirilmagan.

Python, PyTorch va Scikit-Learn versiyalari; TPU’dan foydalanish usuli; model taqsimlangan tarzda yoki bitta qurilmada oʻqitilgani hamda hisoblash vaqtlarining apparat vositalaridan foydalanishga qanday bogʻliqligi koʻrsatilmagan.

Gibrid model qanday yaratilgan?

Gibrid yondashuvda nozik sozlangan EfficientNetB0 modelining yakuniy tasniflash qatlami ishlatilmagan; global oʻrtacha pooling chiqishidan har bir tasvir uchun 9.216 ta xususiyatdan iborat ekani bildirilgan vektor ajratib olingan. Ushbu vektorlar toʻrtta turli mashinaviy oʻrganish algoritmiga berilgan.

Xususiyatlar vektorining aniq tensor shakli, qaysi qatlamdan olingani, masshtablangani yoki masshtablanmagani yoxud oʻlchamni kamaytirish qoʻllangan-qoʻllanmagani batafsil koʻrsatilmagan. Tadqiqotda global oʻrtacha pooling bilan 9.216 ta xususiyat oʻrtasidagi bogʻlanishni koʻrsatuvchi qatlam chiqishi yoki kod parchasi mavjud emas.

Support Vector Machine

SVM yuqori oʻlchamli xususiyatlar fazosida sinflar oʻrtasidagi eng maqbul qaror chegarasini topishga intiladigan nazorat ostidagi klassifikatordir. Tadqiqotda eng yaxshi umumiy natija SVM bilan olingan. Biroq chiziqli, polinom yoki radial asosli qaysi yadro ishlatilgani; \(C\), \(\gamma\), sinf ogʻirliklari va koʻp sinfli qaror strategiyasi koʻrsatilmagan.

K-Nearest Neighbours

KNN yangi namunani xususiyatlar fazosidagi eng yaqin qoʻshnilari sinflariga koʻra belgilaydi. Tadqiqotda masshtablanuvchanlik nuqtayi nazaridan eng qisqa hisoblash vaqtlarini bergan. Ishlatilgan qoʻshnilar soni, masofa mezoni, qoʻshnilarni vaznlash va xususiyatlarni standartlashtirish haqida ma’lumot berilmagan.

Random Forest

Random Forest turli ma’lumot va xususiyat kichik toʻplamlarida oʻqitilgan koʻplab qaror daraxtlarining koʻpchilik ovoziga tayanadi. Koʻrib chiqilgan modellar ichida eng past asosiy aniqlik shu modelda kuzatilgan. Daraxtlar soni, maksimal chuqurlik, boʻlinish mezoni va har bir tugunda ishlatilgan xususiyatlar soni bildirilmagan.

Multilayer Perceptron

MLP bir yoki bir nechta yashirin qatlamdan iborat oldinga yoʻnaltirilgan neyron tarmoqdir. Masshtablanuvchanlik jadvalida eng yuqori hisoblash vaqtlarini MLP koʻrsatgan. Yashirin qatlamlar soni, neyronlar soni, faollashtirish funksiyalari, regulyarizatsiya, optimallashtirish usuli va oʻqitish davri berilmagan.

Baholash mezonlari

Tadqiqotda aniqlik, sezgirlik va xoslik ishlatilgan. Matnda aniqlik tenglamasi quyidagi shaklda bosilgan:

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

Ushbu tenglamada maxrajdagi \(TB\) aniqlanmagan. Keyingi izohda \(TP\), \(TN\), \(FP\) va \(FN\) ta’riflangani sababli \(TB\) ifodasi ehtimoliy yozuv xatosidir. Standart shaklda umumiy namunalar sonini ifodalovchi maxraj:

\[ TP+TN+FP+FN \]

boʻlishi kerak. Biroq asl matndagi xato jimlik bilan tuzatilmagan.

Sezgirlik tenglamasi:

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

Xoslik tenglamasi:

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

koʻrinishida. Koʻp sinfli muammoda sezgirlik va xoslik makro oʻrtacha, vaznli oʻrtacha yoki biriga qarshi qolganlari usuli bilan hisoblanganmi, bu tushuntirilmagan.

Tadqiqotda precision, F1 balli, qabul qiluvchi-operatsion xarakteristika egri chizigʻi, egri ostidagi maydon, bashorat ehtimoli kalibrlashi yoki qaror chegarasi tahlili taqdim etilmagan.

Umumiy model natijalari

Asosiy jadvalga koʻra, SVM gibridi mustaqil EfficientNetB0’dan atigi bir foiz punkt yuqori aniqlik koʻrsatgan. Sezgirlik va xoslik qiymatlari ikkala modelda bir xil. Shu sababli bildirilgan yaxshilanish asosan umumiy toʻgʻri tasniflash ulushidagi kichik farq bilan cheklanadi.

SVM xosligi asosiy jadvalda %99 deb koʻrsatilgan. Jadval ostidagi izoh boshqa bir jadvalda %100 qiymati borligini aytadi; biroq havola qilingan 2-jadval model arxitekturasi va oʻqitish parametrlarini oʻz ichiga oladi, xoslik natijasini emas.

Sinflar boʻyicha natijalar

Ushbu jadvalga koʻra, mustaqil EfficientNetB0 glioma va gipofiz oʻsmasida SVM gibrididan yuqoriroq; SVM gibridi esa meningioma hamda oʻsma aniqlanmagan tasvirlarda biroz yuqoriroq natija koʻrsatgan.

Biroq xulosa va natijalar izohlarida SVM uchun meningioma %93, oʻsma yoʻq %99 va gipofiz oʻsmasi %98 qiymatlari berilgan. 5-jadvalda esa oʻsma yoʻq va gipofiz oʻsmasi uchun %97 yozilgan. Qaysi qiymatlar yakuniy natija ekani aniq emas.

Jadvalda ishlatilgan “sinf aniqligi” koʻrsatkichi har bir sinfning sezgirligimi, sinf ichidagi toʻgʻri bashorat ulushimi yoki chalkashlik matritsasidan boshqa usul bilan hisoblangan qiymatmi — ta’riflanmagan.

Chalkashlik matritsalari

Tadqiqotchilar har bir model uchun chalkashlik matritsasi tuzilganini bildiradi. Biroq koʻrib chiqilgan 18 sahifalik versiyada ushbu matritsalarning sonli jadvallari yoki tasvirlari mavjud emas. Shu sababli gliomalar qaysi sinf bilan, meningiomalar qaysi sinf bilan koʻproq adashtirilganini bevosita baholab boʻlmaydi.

Chalkashlik matritsalarining mavjud emasligi, ayniqsa tibbiy tasniflashda muhim boʻlgan notoʻgʻri manfiy va notoʻgʻri musbat xatolarni sinflar boʻyicha tahlil qilishga toʻsqinlik qiladi.

Masshtablanuvchanlikni baholash

Gibrid modellar 1.311, 3.200, 4.000 va 6.000 ta tasvirdan iborat toʻrtta test bosqichida baholangan. Tadqiqot aniqlik, jami hisoblash vaqti, har bir tasvir uchun oʻrtacha vaqt, xatolik chegarasi va %95 ishonch oraliqlarini bildirgan.

SVC 6.000 ta tasvirda 0,9580 bilan eng yuqori aniqlikni saqlab qolgan. Ushbu natijaning %95 ishonch oraligʻi 0,9529–0,9631 deb berilgan. KNN eng qisqa hisoblash vaqtlarini koʻrsatgan boʻlsa-da, 6.000 ta tasvirda aniqligi 0,9327 gacha pasaygan. MLP aniqligi yuqori boʻlib qolganiga qaramay, 2.166 soniyadan ortiq hisoblash vaqti bilan eng qimmat model boʻlgan. Random Forest aniqlik boʻyicha ham pastroq qolgan, ma’lumot hajmi ortishi bilan esa yanada sezilarli ishlash yoʻqotishini koʻrsatgan.

Masshtablanuvchanlik natijalaridagi nomuvofiqlik

Asosiy ishlash jadvalida KNN aniqligi %93, MLP %94, Random Forest %88 va SVM %96 deb berilgan. Masshtablanuvchanlik jadvalining 1.311 ta tasvirli birinchi bosqichida esa ayni modellar mos ravishda %96,42, %95,65, %93,70 va %97,93 aniqlik koʻrsatgan.

Bir xil hajmda koʻrinadigan 1.311 ta tasvirli test toʻplamida nega bunchalik farqli natijalar yuzaga kelgani tushuntirilmagan. Turli oʻqitish toʻplamlari, turli tasodifiy boʻlinishlar yoki alohida tajriba sharoitlari ishlatilgan boʻlishi mumkin; biroq tadqiqot buni koʻrsatmaydi.

Muhokama boʻlimida birinchi SVM bosqichi “1.911 ta tasvirda 0,9797” deb bayon qilingan. 6-jadvalda esa “1.311 ta tasvirda 0,9793” deb yozilgan. Shu sababli masshtablanuvchanlik natijalarini talqin qilishda jadval qiymatlarining matn bilan toʻliq mos kelmasligi hisobga olinishi kerak.

Hisoblash xarajati haqidagi da’vo

Tadqiqot gibrid yondashuv yakuniy tasniflash bosqichida kamroq hisoblash xarajati va qisqaroq oʻqitish vaqtini ta’minlashi mumkinligini ilgari suradi. Ushbu yondashuvda EfficientNetB0 bir marta xususiyat ajratgich sifatida ishlatilgach, an’anaviy klassifikatorlar xususiyat vektorlari ustida ishlaydi.

Biroq bildirilgan hisoblash vaqtlariga EfficientNetB0 xususiyat ajratish bosqichi kiradimi yoki yoʻqmi, aniq emas. Mustaqil EfficientNetB0 modelining oʻqitish vaqti, test vaqti, har bir namuna uchun inferensiya vaqti, energiya sarfi yoki xotira ishlatilishi ham ayni jadvalda berilmagan.

Shu sababli “gibrid model mustaqil chuqur oʻrganish modeliga qaraganda kamroq hisoblashni talab qiladi” degan xulosaning miqdoriy kattaligini mavjud ma’lumotlardan hisoblab boʻlmaydi. Jadval faqat gibrid klassifikatorlarning oʻzaro vaqt farqlarini koʻrsatadi.

Tadqiqotning kuchli tomonlari

• Jami 7.023 ta tasvirdan iborat va uchta ochiq manbani birlashtirgan nisbatan katta tasvirlar jamgʻarmasi ishlatilgan.
• Uchta oʻsma sinfi va oʻsma aniqlanmagan tasvirlar ayni toʻrt sinfli muammo doirasida baholangan.
• Mustaqil EfficientNetB0 modeli bilan toʻrtta gibrid arxitektura bevosita taqqoslangan.
• Transfer oʻrganish va ma’lumotlarni koʻpaytirish cheklangan tibbiy tasvir ma’lumotlari muammosiga qarshi birgalikda qoʻllangan.
• Umumiy aniqlik bilan birga sezgirlik va xoslik ham bildirilgan.
• Turli ma’lumot hajmlarida hisoblash vaqti va ishonch oraligʻi tahlili bajarilgan.
• Ochiq ma’lumot manbalari va etika kengashi havolasi berilgan.
• Tadqiqot oʻzining tashqi validatsiya, MRI ketma-ketliklaridagi farqlar va izohlanish boʻyicha cheklovlarini ochiq tan olgan.

Tadqiqotning cheklovlari

• Tadqiqot ekspert taqrizidan oʻtmagan preprintdir.
• Ma’lumotlarni koʻpaytirishdan keyingi sinf sonlari jami oʻqitish soniga mos kelmaydi.
• Asosiy model va gibrid modellar uchun berilgan ma’lumot boʻlinishi nisbatlari toʻliq bir xil emas.
• Bemor darajasida boʻlinish qilingan-qilinmagani koʻrsatilmagan.
• Ma’lumotlarni koʻpaytirish test ajratilishidan keyin qoʻllangani koʻrsatilmagan.
• Turli ochiq ma’lumot toʻplamlarining tasvir formati, MRI ketma-ketligi va bemor xususiyatlari toʻliq hujjatlashtirilmagan.
• Ayni muassasa yoki qurilmadan kelgan vizual belgilar model tomonidan oʻrganilgan-oʻrganilmagani baholanmagan.
• SVM, KNN, Random Forest va MLP giperparametrlari berilmagan.
• Yoʻqotish funksiyasi, erta toʻxtatish, model tanlash va tasodifiy boshlangʻich sozlamalari tushuntirilmagan.
• Chalkashlik matritsalari matnda tilga olingan boʻlsa-da, taqdim etilmagan.
• Asosiy natijalar uchun kross-validatsiya yoki takroriy tajribalar haqida hisobot berilmagan.
• Turli jadvallardagi aniqlik qiymatlari bir-biriga mos kelmaydi.
• Sinflar boʻyicha SVM qiymatlari xulosa, izoh va jadval oʻrtasida oʻzgaradi.
• Mustaqil tashqi shifoxona ma’lumotlar toʻplami bilan validatsiya oʻtkazilmagan.
• Istiqbolli klinik tadqiqot yoki radiologlar bilan taqqoslash mavjud emas.
• Model qarorlarini izohlovchi issiqlik xaritasi, saliency yoki boshqa XAI chiqishi taqdim etilmagan.
• Modelning ehtimollik kalibrlashi va klinik qaror chegaralari baholanmagan.
• Manba kodi, oʻqitish konfiguratsiyasi va model ogʻirliklari uchun ochiq repozitoriy havolasi berilmagan.

Tadqiqot qoʻllab-quvvatlaydigan xulosalar

• EfficientNetB0 ishlatilgan test tuzilmasida toʻrtta tasvir sinfini yuqori umumiy aniqlik bilan ajrata olgan.
• Asosiy ishlash jadvalida EfficientNetB0+SVM gibridi eng yuqori umumiy aniqlikni koʻrsatgan.
• SVM gibridi mustaqil EfficientNetB0’ga nisbatan taxminan bir foiz punkt yuqori aniqlik koʻrsatgan.
• Random Forest asosiy natijalarda boshqa gibrid klassifikatorlarga qaraganda pastroq ishlash koʻrsatgan.
• KNN masshtablanuvchanlik jadvalida eng qisqa hisoblash vaqtlarini koʻrsatgan.
• SVC 6.000 ta tasvirli masshtablanuvchanlik tajribasida eng yuqori aniqlikni saqlab qolgan.
• Namunalar soni oshgani sari bildirilgan xatolik chegaralari kamaygan va ishonch oraliqlari toraygan.

Tadqiqot isbotlamagan xulosalar

• Model miya saratonining bosqichini tasniflamaydi.
• Model oʻsmaning yaxshi yoki yomon sifatli ekanini qat’iy aniqlamaydi.
• Model oʻsma darajasini, molekulyar kichik turini yoki davolash tanlovini bashorat qilmaydi.
• Tadqiqot haqiqiy ma’noda erta bosqich kasallikni aniqlamaydi.
• Model oʻsma hududini segmentlarga ajratmaydi yoki hajmini oʻlchamaydi.
• %96 aniqlik barcha shifoxonalar va barcha MRI qurilmalarida bir xil natija olinishi mumkinligini koʻrsatmaydi.
• Natijalar radiologlar ishidan ustunlikni isbotlamaydi.
• Model klinik tashxis oʻrnini bosa oladigan tibbiy qurilma sifatida validatsiyadan oʻtmagan.
• Tasvir darajasidagi yuqori aniqlik bemor darajasida ham ayni aniqlik olinishi mumkinligini isbotlamaydi.
• Gibrid modelning uchidan-uchigacha jami hisoblash xarajati mustaqil EfficientNetB0’dan past ekani miqdoriy jihatdan koʻrsatilmagan.
• Tadqiqot modeldan foydalanish bemorlarning yashab qolishini yoki davolash natijalarini yaxshilashini koʻrsatmaydi.

Tadqiqot Usuli va Natijalari

Raqamli ish jarayoni

1. Figshare, SARTAJ va BR35H manbalaridan 7.023 ta MRI tasviri birlashtirilgan.
2. SARTAJ manbasidagi glioma tasvirlarida aniqlangan tasniflash muammolari sababli glioma sinfi Figshare tasvirlari bilan almashtirilgan.
3. Tasvirlar 512×512 pikseldan 299×299 pikselga qayta oʻlchamlangan.
4. Yorqinlik, kontrast va piksel normallashtirish qoʻllangan.
5. Tasodifiy aylantirish va gorizontal akslantirish yordamida ma’lumotlar koʻpaytirilgan.
6. 5.712 ta tasvir oʻqitish, 1.311 ta tasvir test uchun ajratilgan.
7. ImageNet’da oldindan oʻqitilgan EfficientNetB0 qatlamlari MRI ma’lumotlari bilan nozik sozlangan.
8. Mustaqil EfficientNetB0 modeli toʻrt sinfli uchidan-uchigacha klassifikator sifatida baholangan.
9. EfficientNetB0’dan har bir tasvir uchun 9.216 ta xususiyat ajratib olingani bildirilgan.
10. Ushbu xususiyatlar bilan SVM, KNN, Random Forest va MLP modellari oʻqitilgan.
11. Modellar aniqlik, sezgirlik va xoslik boʻyicha taqqoslangan.
12. Gibrid modellar 1.311–6.000 ta tasvir oraligʻida masshtablanuvchanlik tajribalaridan oʻtkazilgan.

Asosiy model konfiguratsiyasi

Modellar reytingi

Modellar boʻyicha sharh

EfficientNetB0: Mustaqil model %95 umumiy aniqlikka erishgan. Sinflar boʻyicha eng yuqori natijani %98 bilan gipofiz oʻsmasida, eng past natijani %92 bilan meningiomada koʻrsatgan.

EfficientNetB0+SVM: Asosiy jadvalga koʻra, %96 bilan eng yuqori umumiy aniqlikni ta’minlagan. Biroq sinflar boʻyicha qiymatlar maqolaning turli boʻlimlarida oʻzgaradi. Masshtablanuvchanlik jadvalida 1.311 ta tasvir uchun %97,93 qiymati berilgani ham asosiy jadvalga mos kelmaydi.

EfficientNetB0+MLP: Asosiy jadvalda %94 aniqlik koʻrsatgan. Masshtablanuvchanlik tajribasida yuqori aniqligini katta darajada saqlab qolgan boʻlsa-da, 2.000 soniyadan oshadigan vaqtlari bilan eng koʻp hisoblash vaqtini talab qilgan gibrid boʻlgan.

EfficientNetB0+KNN: Asosiy jadvalda %93 aniqlik koʻrsatgan. Ma’lumotlar hajmi oshgani sari aniqligi pasaygan, biroq hisoblash vaqti boʻyicha boshqa gibridlardan sezilarli darajada tez boʻlib qolgan.

EfficientNetB0+Random Forest: Asosiy jadvalda %88 aniqlik bilan eng past natijani koʻrsatgan. Ayniqsa glioma va meningioma sinflarida boshqa modellarga nisbatan pastroq qiymatlar olgan.

1-rasm bergan ma’lumot

Tadqiqotdagi yagona koʻp qismli grafik KNN, MLP, Random Forest va SVC modellarining toʻrtta ma’lumot hajmidagi aniqligini koʻrsatadi. Toʻq chiziqlar model aniqligini, och chiziqlar esa %95 ishonch oraligʻining quyi va yuqori chegaralarini ifodalaydi.

Toʻrtta grafikning barchasida ma’lumot hajmi ortgani sari aniqlik biroz kamayishi koʻrinadi. Shu bilan birga, namunalar soni oshgani sayin ishonch oraliqlari torayadi. SVC eng yuqori aniqlik egri chizigʻini, Random Forest esa eng past egri chiziqni koʻrsatgan.

Grafiklar model aniqligini koʻrsatadi, biroq mustaqil EfficientNetB0 modeliga tegishli taqqoslama hisoblash vaqti yoki masshtablanuvchanlik egri chizigʻini oʻz ichiga olmaydi.

Statistik baholash chegarasi

Masshtablanuvchanlik jadvalida binomial ulushlarga oʻxshash xatolik chegaralari va %95 ishonch oraliqlari berilgan. Biroq asosiy %95 va %96 aniqlik natijalari uchun ayni ishonch oraliqlari taqdim etilmagan. Modellar oʻrtasidagi bir foiz punktlik farq statistik jihatdan ahamiyatlimi yoki yoʻqmi, buni baholovchi juftlangan test yoki qayta namunaviy tahlil oʻtkazilmagan.

SVM va mustaqil EfficientNetB0 ayni tasvirlarda baholangan boʻlsa ham, faqat yaxlitlangan aniqlik qiymatlariga asoslanib bir model ikkinchisidan ishonchli ravishda ustun degan xulosaga kelib boʻlmaydi. Buning uchun namuna darajasidagi xatolar taqsimoti va takroriy tajribalar kerak; tadqiqot bu ma’lumotlarni taqdim etmaydi.

Umumlashtiriluvchanlikni baholash

Ma’lumotlar uchta ochiq manbadan birlashtirilgan boʻlsa-da, tashqi validatsiya oʻqitish jarayonida umuman ishlatilmagan mustaqil shifoxona ma’lumotlar toʻplami bilan bajarilmagan. Birlashtirilgan manbalarda turli tasvir formatlari, kontrastlar, aniqliklar yoki chekka boʻshliqlar boʻlishi mumkin. Model oʻsma xususiyatlari oʻrniga ma’lumot manbasiga xos vizual belgilarni oʻrgangan-oʻrganmagani sinovdan oʻtkazilmagan.

Tadqiqot Figshare ma’lumotlari T1 vaznli kontrastli tasvirlarni oʻz ichiga olishini bildiradi; biroq butun birlashtirilgan ma’lumotlar toʻplamidagi ketma-ketliklar bir xilmi yoki yoʻqmi, bu tushuntirilmagan. T1, T2, FLAIR yoki kontrastli tasvirlar aralashgan taqdirda modelning haqiqiy klinik umumlashtiriluvchanligi alohida baholanishi kerak.

Klinik foydalanish boʻyicha baholash

Tadqiqotchilar tizimni radiologlar va neyroonkologlar uchun ikkinchi fikr yoki qaror qabul qilishni qoʻllab-quvvatlash vositasi sifatida koʻrib chiqmoqda. Biroq tadqiqotda mutaxassis oʻquvchi tajribasi, klinik ish jarayoni testi, tashxis vaqtini taqqoslash yoki foydalanuvchi ishonchi tahlili oʻtkazilmagan.

Model bashorati gistopatologik tekshiruv yoki klinik baholash oʻrnini bosmaydi. Glioma, meningioma va gipofiz oʻsmasi tashxislarini faqat bitta ikki oʻlchamli tasvir tasnifiga asoslanib yakuniy tasdiqlab boʻlmaydi. Mazkur tadqiqot algoritmik ishlashning dastlabki texnik bahosi xususiyatiga ega.

Umumiy ilmiy baholash

Tadqiqotning asosiy topilmasi EfficientNetB0’dan ajratib olingan chuqur tasvir xususiyatlarini SVM bilan tasniflash ishlatilgan ma’lumot tuzilmasida kuchli natija bera olganidir. SVM gibridi asosiy jadvalda mustaqil modelga nisbatan kichik aniqlik oshishini ta’minlagan.

Biroq natijalar ishonchliligini cheklovchi asosiy masala turli jadvallarning ayni modellar uchun turli aniqlik qiymatlarini bildirishidir. Ma’lumotlarni koʻpaytirish va oʻqitish toʻplami sonlarining mos kelmasligi ham tajribani qayta takrorlashni qiyinlashtiradi.

Tadqiqotni klinik foydalanishga tayyor tashxis tizimini namoyish etuvchi ish sifatida emas, balki EfficientNetB0 xususiyatlari bilan turli klassifikatorlarni taqqoslashga qaratilgan dastlabki tadqiqot sifatida baholash kerak. Usulning haqiqiy qiymati bemor asosidagi boʻlinish, ayni test toʻplami, toʻliq giperparametrlar, ochiq kod, tashqi validatsiya va istiqbolli klinik testlar bilan qayta sinovdan oʻtkazilganda aniqlanishi mumkin.

Manba va Usul Haqida Izoh

Tadqiqotning toʻliq asl nomi: Hybrid Deep Learning Using MRI Scans for Advancements of Brain Tumours Multi-Classifications

Mualliflar va ularning tartibi: Amirparsa Rouhi; Fatemeh Parsakordasiabi; Timothy Albiges; Zoheir Sabeur.

Teng birinchi muallif: Tadqiqotda teng hissa yoki teng birinchi mualliflik haqida bayonot mavjud emas. Muallif ismlaridagi yulduzcha umumiy muassasa izohiga yoʻnaltiradi.

Mas’ul muallif: Zoheir Sabeur. Tadqiqotda aloqa manzili zsabeur@bournemouth.ac.uk deb koʻrsatilgan.

Muassasa: Barcha mualliflar uchun Bournemouth University, Poole, Dorset, BH15 5BB, United Kingdom ma’lumoti berilgan. Muassasaning pochta indeksi tadqiqotda qanday yozilgan boʻlsa, shunday saqlangan; mustaqil muassasa qaydidagi boshqa pochta indeksi matnga jimlik bilan koʻchirilmagan.

Mualliflarning e-pochta manzillari:

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

DOI: Tadqiqotning PDF matnida aniq DOI ma’lumoti mavjud emas va DOI mustaqil ravishda tasdiqlanmagan.

SSRN annotatsiya raqami: 7181697.

Manba turi: Tibbiy tasvirlarni tasniflash, chuqur oʻrganish va mashinaviy oʻrganishga oid preprint tadqiqot maqolasi.

Nashr platformasi: SSRN.

Jurnal: Tadqiqotda ekspert taqrizidan oʻtgan jurnal nomi yoki chop etilgan jurnal versiyasi koʻrsatilmagan.

Nashriyot: Alohida jurnal nashriyoti haqida ma’lumot berilmagan.

Yil: Fayl metama’lumotlari 2026 yilni koʻrsatadi; asosiy matnda alohida aniq nashr sanasi berilmagan.

Ekspert taqrizi holati: Tadqiqot ekspert taqrizidan oʻtmagan. Har bir sahifada “Preprint not peer reviewed” ogohlantirishi mavjud.

Rasmiy qayd havolasi:https://papers.ssrn.com/sol3/papers.cfm?abstract_id=7181697

Etik baholash: Tadqiqot Bournemouth University Ethics Board tomonidan 66271 ma’lumot raqami bilan baholangan. Faqat retrospektiv, ochiq va anonimlashtirilgan ma’lumotlar bazalari ishlatilgani uchun qoʻshimcha bemor roziligi talab qilinmagani bildirilgan.

Moliyalashtirish: Tadqiqotchilar davlat, tijorat yoki notijorat moliyalashtirish tashkilotlaridan maxsus grant olinmaganini bildirgan.

Manfaatlar toʻqnashuvi: Mualliflar tadqiqotga ta’sir qilishi mumkin boʻlgan ma’lum moliyaviy manfaat yoki shaxsiy munosabat mavjud emasligini bayon qilgan.

Ochiq ma’lumot manbalari:

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

Kod va modeldan foydalanish imkoniyati: Manba kodi, oʻqitish skriptlari, oʻqitilgan model ogʻirliklari yoki tajriba konfiguratsiyalari uchun ochiq repozitoriy havolasi berilmagan.

Mualliflar hissasi:

• Amirparsa Rouhi: Konseptuallashtirish, usul, dasturiy ta’minot, validatsiya, formal tahlil, tadqiqot va koʻrib chiqish-tahrirlash.
• Fatemeh Parsakordasiabi: Konseptuallashtirish, usul, dasturiy ta’minot, validatsiya, formal tahlil, tadqiqot, dastlabki qoralama va koʻrib chiqish-tahrirlash.
• Timothy Albiges: Formal tahlil, vizualizatsiya, maslahat va koʻrib chiqish-tahrirlash.
• Zoheir Sabeur: Formal tahlil, maslahat va koʻrib chiqish-tahrirlash.

Ushbu turkcha mazmun yuklangan 18 sahifalik tadqiqot boshidan oxirigacha koʻrib chiqilib tayyorlangan. Ilmiy usul, ma’lumotlar soni, model parametrlari, ishlash oʻlchovlari, jadvallar, grafiklar va cheklovlar faqat tadqiqotda taqdim etilgan ma’lumotlarga asoslanadi. Tashqi manbalar faqat bibliografik muassasa va muallif shaxsini tekshirish maqsadida ishlatilgan.

Tadqiqotda koʻrinadigan sonli va tahririy nomuvofiqliklar jimlik bilan tuzatilmagan. Ular qatoriga 3.000 ta tasvir deb bildirilgan sinf maqsadlari bilan 5.712 ta tasvirli oʻqitish toʻplamining mos kelmasligi, ikki xil ma’lumot boʻlinishi, asosiy va masshtablanuvchanlik jadvallaridagi turli aniqlik qiymatlari, SVM sinf natijalaridagi oʻzgarishlar, notoʻgʻri jadval havolalari, 1.311–1.911 ta tasvir nomuvofiqligi va aniqlik tenglamasidagi ta’riflanmagan “TB” atamasi kiradi.

Tadqiqotning eng muhim ilmiy cheklovlari: bemor asosidagi ma’lumot boʻlinishi koʻrsatilmaganligi, mustaqil tashqi validatsiya mavjud emasligi, MRI ketma-ketliklari butun ma’lumotlar toʻplamida standart emasligi, model giperparametrlari yetishmasligi, izohlanuvchanlik chiqishlari taqdim etilmaganligi, chalkashlik matritsalari nashr qilinmaganligi va klinik baholash oʻtkazilmaganligidir. Bildirilgan %96 aniqlik ushbu cheklovlar ostida bajarilgan tasvir darajasidagi test natijasidir va klinik tashxis muvaffaqiyati sifatida talqin qilinmasligi kerak.