DOI: https://doi.org/10.3389/fmed.2025.1618550
PMID: https://pubmed.ncbi.nlm.nih.gov/40612575
تاريخ النشر: 2025-06-19
المؤلف: Shtwai Alsubai وآخرون
الموضوع الرئيسي: كشف وتصنيف أورام الدماغ
نظرة عامة
تتناول ورقة البحث الحاجة الملحة لأدوات تشخيص دقيقة في المجال الطبي، وخاصة للحالات مثل أورام الدماغ ومرض الزهايمر. تقدم نهجًا جديدًا لتصنيف صور الرنين المغناطيسي يجمع بين التعلم الانتقالي وتقنيات الذكاء الاصطناعي القابل للتفسير (XAI)، باستخدام نموذج هجين من CNN-VGG. يستخدم هذا النموذج ميزات مدربة مسبقًا من بنية VGG لتعزيز أداء التصنيف عبر ثلاثة مجموعات بيانات للرنين المغناطيسي: تصنيف أورام الدماغ، واكتشاف الزهايمر، ومجموعة بيانات ثالثة لأورام الدماغ. يضمن خط أنابيب شامل للمعالجة المسبقة، بما في ذلك تطبيع الصور، وإعادة الحجم، وزيادة البيانات، جودة الإدخال المثلى. تشير النتائج إلى معدلات دقة عالية عبر جميع مجموعات البيانات، مما يوضح فعالية النموذج في التمييز بين الحالات العصبية المختلفة. بالإضافة إلى ذلك، يعزز دمج SHapley Additive exPlanations (SHAP) الشفافية في عملية اتخاذ القرار للنموذج، مما يساعد الأطباء في فهم العوامل المساهمة في صور الرنين المغناطيسي.
في الختام، تسلط الدراسة الضوء على التطبيق الناجح للتعلم الانتقالي وXAI في تصنيف صور الرنين المغناطيسي، مما يظهر قوة ومرونة نموذج CNN-VGG16 الهجين. بينما يظهر النموذج أداءً قويًا، تشمل القيود الاعتماد على عدد محدود من مجموعات البيانات العامة، مما قد يؤثر على القابلية للتعميم، وتكلفة الحوسبة المرتبطة بالتفسير القائم على SHAP، مما يطرح تحديات للنشر في الوقت الحقيقي. تهدف الأبحاث المستقبلية إلى تنويع مجموعات البيانات، ودمج بيانات ثلاثية الأبعاد، وتحسين النموذج للاستخدام السريري، واستكشاف طرق تفسير بديلة. يضع هذا العمل أساسًا لتطوير أدوات ذكاء اصطناعي عالية الأداء وقابلة للتفسير لتعزيز اتخاذ القرارات الطبية وتحسين نتائج المرضى، بينما يمهد الطريق أيضًا لمزيد من التقدم في تطبيقات التصوير الطبي.
مقدمة
تسلط مقدمة ورقة البحث الضوء على التحديات الكبيرة التي تطرحها أورام الدماغ، وخاصة الأنواع الخبيثة مثل الأورام الدبقية والأورام النجمية غير المتمايزة، التي تظهر نموًا سريعًا وتوقعات سيئة، مع معدل بقاء نسبي لمدة خمس سنوات يبلغ حوالي 35.6%. تصنف منظمة الصحة العالمية (WHO) أورام الجهاز العصبي المركزي (CNS) إلى أربع درجات بناءً على ميزات مختلفة، مما يبرز ضرورة التشخيص المبكر والدقيق. يتم تحديد التصوير بالرنين المغناطيسي (MRI) كمعيار ذهبي لتشخيص الأورام، ومع ذلك فإن التفسير اليدوي لبيانات الرنين المغناطيسي المعقدة يستغرق وقتًا طويلاً ويخضع للتغير، مما يدفع نحو التحول إلى أدوات التحليل الآلي المدعومة بالذكاء الاصطناعي (AI).
تقترح الورقة إطار عمل هجين جديد يجمع بين هيكل VGG16 المدرب مسبقًا مع طبقات الشبكة العصبية التلافيفية (CNN) المخصصة، باستخدام استراتيجية التعلم الانتقالي المتسلسل عبر ثلاث مجموعات بيانات متميزة للرنين المغناطيسي: أورام الدماغ، ومرض الزهايمر، ومجموعة تحقق مستقلة. يهدف هذا النهج إلى تعزيز تعميم الميزات ودقة التصنيف عبر حالات عصبية مختلفة. لمعالجة مشكلات القابلية للتفسير المرتبطة عادةً بالنماذج العميقة، يتضمن الإطار SHapley Additive exPlanations (SHAP)، التي تقدم رؤى حول قرارات النموذج من خلال نسب المخرجات إلى مناطق محددة في الصور المدخلة. تشمل المنهجية خطوات المعالجة المسبقة، وتدريب النموذج، والتقييم باستخدام مقاييس قياسية، مما يقدم في النهاية حلاً واعدًا لتحسين تشخيصات التصوير العصبي مع تحقيق توازن بين الأداء والقابلية للتفسير.
طرق
في هذه الدراسة، تم استخدام ثلاث مجموعات بيانات متميزة لتصنيف صور الرنين المغناطيسي باستخدام نماذج التعلم العميق. تركز مجموعة البيانات الأولى على أورام الدماغ، التي تشكل جزءًا كبيرًا من أورام الجهاز العصبي المركزي الأولية، مع فئات تشمل الأورام الدبقية، والأورام السحائية، وعدم وجود ورم، وورم الغدة النخامية. تتعلق مجموعة البيانات الثانية بمرض الزهايمر، مع تصنيفات مثل غير المصابين بالخرف ومراحل مختلفة من الخرف، مع صور معززة لتحسين أداء النموذج. المجموعة الثالثة هي مجموعة منسقة من صور الرنين المغناطيسي لأورام الدماغ، تعالج مشكلات التصنيف الخاطئ عن طريق استبدال الصور الخاطئة بأخرى مصنفة بشكل صحيح. الهدف العام هو تحسين التشخيص المبكر لأورام الدماغ، والتي يمكن أن تكون مهددة للحياة.
تم تقييم أداء النماذج باستخدام مقاييس مثل الدقة، والدقة، والاسترجاع، ودرجة F1. أظهرت النماذج فعالية تصنيف عالية، محققة دقة إجمالية تبلغ 94% لمجموعة بيانات أورام الدماغ، مع فئة ورم الغدة النخامية التي حققت أعلى درجة F1 تبلغ 0.98. حققت مجموعة بيانات الرنين المغناطيسي المعززة لمرض الزهايمر دقة بلغت 81%، مع تحديات ملحوظة في فئة الخرف المعتدل. كما أظهرت المجموعة الثالثة أداءً قويًا، بدقة بلغت 93%. بالإضافة إلى ذلك، تم استخدام SHapley Additive explanations (SHAP) لتعزيز قابلية تفسير النموذج، مما يكشف عن مناطق الدماغ الحرجة التي تؤثر على التنبؤات وبالتالي يدعم موثوقية التشخيصات المعتمدة على الذكاء الاصطناعي في البيئات السريرية.
نقاش
تسلط قسم النقاش في ورقة البحث الضوء على عدة مساهمات ونتائج رئيسية تتعلق بتطبيق التعلم الانتقالي في التصوير الطبي، باستخدام نموذج VGG16 المدرب مسبقًا مع طبقات CNN المخصصة لمهام تصنيف الرنين المغناطيسي. توضح الدراسة بنجاح نهجًا جديدًا يعزز دقة التصنيف عبر ثلاث مجموعات بيانات متميزة للرنين المغناطيسي (أورام الدماغ، الزهايمر، ومجموعة بيانات التحقق) مع تقليل الحاجة إلى بيانات تدريب واسعة. من الجدير بالذكر أن البحث يوضح نقل المعرفة الفعال بين حالات عصبية مختلفة، مما يشير إلى أن الميزات المكتسبة من مجال واحد يمكن أن تحسن بشكل كبير الأداء في المهام التشخيصية ذات الصلة. تم تنفيذ خط أنابيب شامل للمعالجة المسبقة، بما في ذلك تطبيع الصور، وإعادة الحجم، وزيادة البيانات، لتعزيز قوة النموذج وقابليته للتعميم.
بالإضافة إلى ذلك، يعالج دمج تحليل SHapley Additive exPlanations (SHAP) التحديات المتعلقة بالقابلية للتفسير المرتبطة غالبًا بالتعلم العميق في الرعاية الصحية. من خلال تقديم نسب على مستوى البكسل لقرارات النموذج، يعزز هذا النهج الشفافية ويسمح للأطباء بفهم المناطق المحددة في صور الرنين المغناطيسي التي تؤثر على التصنيفات التشخيصية. تسهل تنظيم البحث في أقسام متميزة فهمًا واضحًا للأعمال ذات الصلة، والإطار المقترح، والتحليل التجريبي، مما يؤدي إلى استنتاج يلخص النتائج الرئيسية ويقترح اتجاهات البحث المستقبلية. بشكل عام، تسهم الدراسة في زيادة المعرفة حول فعالية التعلم الانتقالي والذكاء الاصطناعي القابل للتفسير في التصوير الطبي، بينما تعالج أيضًا الفجوات في المنهجيات الحالية فيما يتعلق بالتعميم، والدقة، والقابلية للتفسير عبر أمراض الدماغ المتنوعة.
DOI: https://doi.org/10.3389/fmed.2025.1618550
PMID: https://pubmed.ncbi.nlm.nih.gov/40612575
Publication Date: 2025-06-19
Author(s): Shtwai Alsubai et al.
Primary Topic: Brain Tumor Detection and Classification
Overview
The research paper addresses the critical need for accurate diagnostic tools in the medical field, specifically for conditions like brain tumors and Alzheimer’s disease. It introduces a novel MRI image classification approach that combines transfer learning with Explainable AI (XAI) techniques, utilizing a hybrid CNN-VGG model. This model employs pre-trained features from the VGG architecture to enhance classification performance across three MRI datasets: brain tumor classification, Alzheimer’s detection, and a third brain tumor dataset. A comprehensive preprocessing pipeline, including image normalization, resizing, and data augmentation, ensures optimal input quality. The results indicate high accuracy rates across all datasets, demonstrating the model’s effectiveness in distinguishing between various neurological conditions. Additionally, the integration of SHapley Additive exPlanations (SHAP) enhances transparency in the model’s decision-making process, aiding clinicians in understanding the contributing factors in MRI scans.
In conclusion, the study highlights the successful application of transfer learning and XAI in MRI image classification, showcasing the hybrid CNN-VGG16 model’s robustness and adaptability. While the model exhibits strong performance, limitations include reliance on a limited number of public datasets, which may affect generalizability, and the computational cost associated with SHAP-based interpretability, posing challenges for real-time deployment. Future research aims to diversify datasets, incorporate 3D volumetric data, optimize the model for clinical use, and explore alternative interpretability methods. This work lays a foundation for developing high-performing, interpretable AI tools to enhance medical decision-making and improve patient outcomes, while also paving the way for further advancements in medical imaging applications.
Introduction
The introduction of the research paper highlights the significant challenges posed by brain tumors, particularly malignant types such as glioblastomas and anaplastic astrocytomas, which exhibit rapid growth and poor prognosis, with a five-year relative survival rate of approximately 35.6%. The World Health Organization (WHO) classifies central nervous system (CNS) tumors into four grades based on various features, emphasizing the necessity for early and accurate diagnosis. Magnetic Resonance Imaging (MRI) is identified as the gold standard for tumor diagnosis, yet the manual interpretation of complex MRI data is time-consuming and subject to variability, prompting a shift towards automated analysis tools powered by artificial intelligence (AI).
The paper proposes a novel hybrid framework that combines a pre-trained VGG16 backbone with custom convolutional neural network (CNN) layers, employing a sequential transfer learning strategy across three distinct MRI datasets: brain tumors, Alzheimer’s disease, and an independent validation set. This approach aims to enhance feature generalization and classification accuracy across different neurological conditions. To address the interpretability issues commonly associated with deep learning models, the framework incorporates SHapley Additive exPlanations (SHAP), which provide insights into model decisions by attributing outputs to specific regions in the input images. The methodology includes preprocessing steps, model training, and evaluation using standard metrics, ultimately presenting a promising solution for improving neuroimaging diagnostics while balancing performance and interpretability.
Methods
In this study, three distinct datasets were employed to classify MRI images using deep learning models. The first dataset focuses on brain tumors, which constitute a significant portion of primary Central Nervous System tumors, with categories including Glioma, Meningioma, No Tumor, and Pituitary Tumor. The second dataset pertains to Alzheimer’s disease, featuring classifications such as Non-Demented and various stages of dementia, with augmented images to enhance model performance. The third dataset is a curated collection of brain tumor MRI images, addressing misclassification issues by replacing erroneous images with correctly labeled ones. The overall aim is to improve early diagnosis of brain tumors, which can be life-threatening.
The performance of the models was evaluated using metrics such as accuracy, precision, recall, and F1-score. The models demonstrated high classification effectiveness, achieving an overall accuracy of 94% for the brain tumor dataset, with the Pituitary Tumor class yielding the highest F1-score of 0.98. The Augmented Alzheimer MRI dataset achieved an accuracy of 81%, with notable challenges in the Moderate Demented class. The third dataset also showed strong performance, with an accuracy of 93%. Additionally, SHapley Additive explanations (SHAP) were utilized to enhance model interpretability, revealing critical brain regions influencing predictions and thereby supporting the reliability of AI-based diagnostics in clinical settings.
Discussion
The discussion section of the research paper highlights several key contributions and findings related to the application of transfer learning in medical imaging, specifically using a pre-trained VGG16 model combined with custom CNN layers for MRI classification tasks. The study successfully demonstrates a novel approach that enhances classification accuracy across three distinct MRI datasets (brain tumor, Alzheimer’s, and a validation dataset) while minimizing the need for extensive training data. Notably, the research illustrates effective knowledge transfer between different neurological conditions, indicating that features learned from one domain can significantly improve performance in related diagnostic tasks. A comprehensive preprocessing pipeline, including image normalization, resizing, and data augmentation, was implemented to bolster model robustness and generalizability.
Additionally, the incorporation of SHapley Additive exPlanations (SHAP) analysis addresses the interpretability challenges often associated with deep learning in healthcare. By providing pixel-level attribution of model decisions, this approach enhances transparency and allows clinicians to understand the specific regions of MRI scans that influence diagnostic classifications. The organization of the research into distinct sections facilitates a clear understanding of related work, the proposed framework, and experimental analysis, culminating in a conclusion that summarizes key findings and suggests future research directions. Overall, the study contributes to the growing body of knowledge on the effectiveness of transfer learning and explainable AI in medical imaging, while also addressing gaps in existing methodologies regarding generalization, accuracy, and interpretability across diverse brain pathologies.