DOI: https://doi.org/10.12982/jams.2026.036
تاريخ النشر: 2026-01-27
المؤلف: Nitipon Pongphaw وآخرون
الموضوع الرئيسي: كشف وتصنيف أورام الدماغ
نظرة عامة
تتناول هذه الدراسة تحدي تصنيف أورام الدماغ بدقة وقابلية للتفسير من صور الرنين المغناطيسي، مع التركيز على نظام تصنيف من أربع فئات (غليوما، منينجيوما، ورم الغدة النخامية، وعدم وجود ورم) باستخدام إطار عمل ConvNeXt-Tiny. تم مقارنة أداء ConvNeXt-Tiny مع هياكل الشبكات العصبية الالتفافية المعروفة، بما في ذلك DenseNet169 وXception وMobileNetV3-Large وCNN+DenseNet169 وResNet50، باستخدام التعلم الانتقالي تحت ظروف تجريبية متطابقة. تم استخدام مقاييس التقييم القياسية مثل الدقة والدقة والاسترجاع وF1-score، جنبًا إلى جنب مع تصورات Grad-CAM لتفسير النموذج.
أشارت النتائج إلى أن ConvNeXt-Tiny حقق دقة عالية بلغت 0.9924 وF1-score بلغ 0.9918، مما يدل على أداء تنافسي مقارنة بـ DenseNet169 وXception مع تكاليف حسابية أقل. أظهر النموذج سلوك تعلم مستقر مع حد أدنى من الإفراط في التكيف وحافظ على دقة متسقة على البيانات غير المرئية. أكدت تصورات Grad-CAM تركيز النموذج على مناطق الورم ذات الصلة سريريًا، مما يعزز شفافية توقعاته. على الرغم من النتائج الواعدة، كانت الفروق في الأداء بين الهياكل التي تم تقييمها متواضعة، حيث أظهرت التحليلات الإحصائية عدم وجود فروق ذات دلالة. تختتم الدراسة بأن ConvNeXt-Tiny يعد قاعدة قوية وفعالة لتصنيف أورام الدماغ، مع التأكيد على الحاجة إلى التحقق السريري باستخدام مجموعات بيانات الرنين المغناطيسي متعددة المراكز لتأسيس قابلية تطبيق أوسع واستكشاف طرق تفسير إضافية لتعزيز موثوقية التطبيقات الطبية.
مقدمة
تناقش مقدمة ورقة البحث التأثير التحويلي لتقنيات التعلم العميق، وخاصة الشبكات العصبية الالتفافية (CNNs)، على تصنيف أورام الدماغ باستخدام التصوير بالرنين المغناطيسي (MRI). تبرز قدرة هذه النماذج على استخراج الميزات تلقائيًا من الصور، مما يعزز بشكل كبير دقة التشخيص. أدت التطورات الأخيرة، مثل دمج الشبكات المتبقية وآليات الانتباه، إلى تحسين تمييز أنواع أورام الدماغ، بما في ذلك الغليومات والمنينجيوما. لقد حسّن استخدام التعلم الانتقالي، وخاصة مع هياكل مثل ResNet50، دقة التصنيف، مما يظهر أداءً متفوقًا مقارنة بالطرق التشخيصية التقليدية.
تناقش هذه الفقرة أيضًا أهمية تفسير النموذج والموثوقية، مع التأكيد على دور تقنيات الذكاء الاصطناعي القابل للتفسير (XAI) مثل التفسيرات المحلية القابلة للتفسير (LIME) ورسم خرائط تنشيط الفئة المعتمد على التدرج (Grad-CAM). لا توضح هذه الطرق فقط عمليات اتخاذ القرار لنماذج التعلم العميق ولكنها تعزز أيضًا الثقة في التشخيص المدعوم بالذكاء الاصطناعي من خلال السماح للأطباء بالتحقق من توقعات النموذج مقابل المعرفة الطبية المعتمدة. على الرغم من هذه التطورات، تحدد المقدمة فجوات حرجة، بما في ذلك الاعتماد على مجموعات بيانات كبيرة ومفهرسة جيدًا والطبيعة “الصندوق الأسود” المتأصلة في الشبكات العصبية الالتفافية، والتي قد تعيق قابليتها للتطبيق والاعتماد السريري. تهدف الأبحاث الجارية إلى معالجة هذه التحديات، مما يبرز إمكانات التعلم العميق لتحسين سير العمل التشخيصي ورعاية المرضى في سياق أورام الدماغ.
طرق البحث
تقدم هذه الدراسة إطار عمل للتعلم العميق يهدف إلى تصنيف أورام الدماغ من صور الرنين المغناطيسي، وهيكلها حول خمسة مكونات رئيسية. أولاً، تقوم بإجراء تحليل مقارن لنموذج ConvNeXt-Tiny مقابل هياكل التعلم العميق المختلفة، بما في ذلك ResNet50 وDenseNet169 وMobileNetV3-Large وXception، مع التركيز على تصنيف الأورام من أربع فئات. يستكشف الإطار أيضًا تحليل الأورام على مستوى الفئات الفرعية والتصنيف الثنائي بين حالات الورم وغير الورم لتعزيز فهم قدرات النموذج التشخيصية.
ثانيًا، تضمنت تكوين النموذج التعلم الانتقالي، حيث تم معالجة الصور إلى مجموعات تدريب وتحقق واختبار، جميعها بحجم 224×224 بكسل. تم استخدام مقاييس قياسية مثل الدقة والدقة والاسترجاع وF1-score لتقييم أداء النموذج، مدعومة بمصفوفات الارتباك لتصور أداء الفئات. بالإضافة إلى ذلك، سجلت الدراسة إجمالي وقت التدريب ومتوسط وقت التدريب لكل حقبة لتقييم كفاءة التدريب، مما يوفر نظرة شاملة على كل من الأداء التنبؤي والتكاليف الحسابية المرتبطة بكل نموذج.
النتائج
في هذه الدراسة، اقترح المؤلفون نموذج ConvNeXt-Tiny كنقطة مرجعية لتقييم الهياكل الالتفافية المختلفة في سياق تصنيف أورام الدماغ متعددة الفئات. لضمان مقارنة عادلة بين النماذج، تم تدريب جميعها وتقييمها تحت ظروف تجريبية متطابقة. تشير النتائج إلى أن نموذج ConvNeXt-Tiny يخدم بشكل فعال كنقطة مرجعية لتحليل أداء الشبكات العصبية الالتفافية المختلفة في هذا التطبيق المحدد.
المناقشة
في هذه الدراسة، استخدم المؤلفون Grad-CAM (رسم خرائط تنشيط الفئة المعتمد على التدرج) لتعزيز قابلية تفسير توقعات النموذج في تصنيف أورام الدماغ متعددة الفئات باستخدام صور الرنين المغناطيسي. كشفت التحليلات أن نموذج ConvNeXt-Tiny، الذي تم اختياره كهيكل أساسي، يبرز بفعالية مناطق الورم ذات الصلة، مما يعزز موثوقية النموذج وقابليته للتطبيق السريري. قدمت الدراسة مساهمتين هامتين: مقارنة منهجية لستة هياكل تعلم عميق تحت ظروف تدريب موحدة ودمج آليات التفسير لتوضيح قرارات التصنيف.
أشارت النتائج إلى أن ConvNeXt-Tiny حقق أداءً تنافسيًا، بدقة بلغت 0.9924، ودقة 0.9920، واسترجاع 0.9917، وF1-score بلغ 0.9918، مع الحفاظ على توازن بين الكفاءة الحسابية وتعقيد النموذج. على الرغم من أن DenseNet169 تفوق على ConvNeXt-Tiny في الدقة الخام، إلا أن الأخير أظهر نتائج قابلة للمقارنة مع متطلبات حسابية أقل، مما يجعله مناسبًا للإعدادات السريرية. أظهرت التحليلات الإحصائية، بما في ذلك اختبارات McNemar، عدم وجود فروق أداء ذات دلالة بين معظم النماذج، مما يشير إلى أن ConvNeXt-Tiny هو خيار قوي لتصنيف أورام الدماغ. تدعو النتائج إلى استخدام ConvNeXt-Tiny كقاعدة موثوقة للبحوث المستقبلية، مع التأكيد على أهمية القابلية للتفسير والكفاءة في تطبيقات التصوير الطبي.
القيود
تقدم الدراسة عدة قيود قد تؤثر على قابلية تعميم وموثوقية نتائجها السريرية. أولاً، قد لا يعكس الاعتماد على مجموعات بيانات الرنين المغناطيسي المتاحة للجمهور التباين الكامل الذي يتم مواجهته في التصوير السريري عبر أجهزة ومؤسسات مختلفة. ثانيًا، يقتصر التركيز على تصنيف مستوى الصورة، دون تقسيم الورم، على القابلية المباشرة لتفسير النتائج في سياق سريري. بالإضافة إلى ذلك، استخدمت تحليل القابلية للتفسير فقط Grad-CAM، الذي يقدم تحديدًا خشنًا بدلاً من نسبة الميزات التفصيلية، مما قد يحد من الرؤى حول اتخاذ قرارات النموذج.
علاوة على ذلك، بينما أظهر النموذج المقترح دقة واعدة، هناك حاجة إلى مزيد من التحقق لتقييم جدواه للنشر في الوقت الحقيقي في البيئات السريرية. سيكون من الضروري معالجة هذه القيود لتعزيز قابلية تطبيق النموذج وموثوقيته في الإعدادات العملية، وستسعى الأبحاث المستقبلية لمعالجة هذه القضايا.
DOI: https://doi.org/10.12982/jams.2026.036
Publication Date: 2026-01-27
Author(s): Nitipon Pongphaw et al.
Primary Topic: Brain Tumor Detection and Classification
Overview
This study addresses the challenge of accurate and interpretable brain tumor classification from MRI images, focusing on a four-class classification system (glioma, meningioma, pituitary tumor, and no tumor) using a ConvNeXt-Tiny framework. The performance of ConvNeXt-Tiny was compared with established convolutional neural network architectures, including DenseNet169, Xception, MobileNetV3-Large, CNN+DenseNet169, and ResNet50, utilizing transfer learning under identical experimental conditions. Standard evaluation metrics such as accuracy, precision, recall, and F1-score were employed, alongside Grad-CAM visualizations for model interpretability.
The results indicated that ConvNeXt-Tiny achieved a high accuracy of 0.9924 and an F1-score of 0.9918, demonstrating competitive performance comparable to DenseNet169 and Xception while incurring lower computational costs. The model exhibited stable learning behavior with minimal overfitting and maintained consistent accuracy on unseen data. Grad-CAM visualizations confirmed the model’s focus on clinically relevant tumor regions, enhancing the transparency of its predictions. Despite the promising results, the differences in performance among the evaluated architectures were modest, with statistical analysis revealing no significant differences. The study concludes that ConvNeXt-Tiny serves as a strong and efficient baseline for brain tumor classification, emphasizing the need for clinical validation using multi-center MRI datasets to establish broader applicability and exploring further interpretability methods to enhance reliability in medical imaging applications.
Introduction
The introduction of the research paper discusses the transformative impact of deep learning techniques, particularly Convolutional Neural Networks (CNNs), on the classification of brain tumors using magnetic resonance imaging (MRI). It highlights the ability of these models to automatically extract features from images, significantly enhancing diagnostic accuracy. Recent advancements, such as the integration of residual networks and attention mechanisms, have improved the differentiation of brain tumor types, including gliomas and meningiomas. The use of transfer learning, particularly with architectures like ResNet50, has further refined classification accuracy, demonstrating superior performance compared to traditional diagnostic methods.
The section also addresses the importance of model interpretability and robustness, emphasizing the role of Explainable Artificial Intelligence (XAI) techniques like Local Interpretable Model-agnostic Explanations (LIME) and Gradient-weighted Class Activation Mapping (Grad-CAM). These methods not only elucidate the decision-making processes of deep learning models but also enhance trust in AI-assisted diagnostics by allowing clinicians to validate model predictions against established medical knowledge. Despite these advancements, the introduction identifies critical gaps, including the dependence on large, well-annotated datasets and the inherent “black-box” nature of CNNs, which may hinder their clinical applicability and adoption. The ongoing research aims to address these challenges, underscoring the potential of deep learning to improve diagnostic workflows and patient care in the context of brain tumors.
Methods
This study introduces a deep learning framework aimed at classifying brain tumors from MRI images, structured around five key components. Firstly, it conducts a comparative analysis of the ConvNeXt-Tiny model against various deep learning architectures, including ResNet50, DenseNet169, MobileNetV3-Large, and Xception, focusing on a four-class tumor classification. The framework also explores subclass-level tumor analysis and binary classification between tumor and non-tumor cases to enhance understanding of the model’s diagnostic capabilities.
Secondly, the model configuration involved transfer learning, with images preprocessed into training, validation, and test sets, all resized to 224×224 pixels. The evaluation of model performance utilized standard metrics such as accuracy, precision, recall, and F1-score, supplemented by confusion matrices for class-wise performance visualization. Additionally, the study recorded total training time and average training time per epoch to assess training efficiency, providing a comprehensive overview of both predictive performance and computational costs associated with each model.
Results
In this study, the authors proposed the ConvNeXt-Tiny model as a baseline for evaluating various convolutional architectures in the context of multi-class brain tumor classification. To ensure a fair comparison among the models, all were trained and assessed under identical experimental conditions. The results indicate that the ConvNeXt-Tiny model effectively serves as a reference point for analyzing the performance of different convolutional neural networks in this specific application.
Discussion
In this study, the authors employed Grad-CAM (Gradient-weighted Class Activation Mapping) to enhance the interpretability of model predictions in multi-class brain tumor classification using MRI images. The analysis revealed that the ConvNeXt-Tiny model, selected as the baseline architecture, effectively highlighted relevant tumor regions, thereby reinforcing the model’s trustworthiness and clinical applicability. The study made two significant contributions: a systematic comparison of six deep learning architectures under uniform training conditions and the integration of interpretability mechanisms to elucidate classification decisions.
The results indicated that ConvNeXt-Tiny achieved competitive performance, with an accuracy of 0.9924, precision of 0.9920, recall of 0.9917, and F1-score of 0.9918, while maintaining a balance between computational efficiency and model complexity. Although DenseNet169 outperformed ConvNeXt-Tiny in raw accuracy, the latter demonstrated comparable results with lower computational demands, making it suitable for clinical settings. Statistical analyses, including McNemar’s tests, showed no significant performance differences among most models, suggesting that ConvNeXt-Tiny is a robust option for brain tumor classification. The findings advocate for the use of ConvNeXt-Tiny as a reliable baseline for future research, emphasizing the importance of interpretability and efficiency in medical imaging applications.
Limitations
The study presents several limitations that may impact the generalizability and clinical applicability of its findings. Firstly, the reliance on publicly available MRI datasets may not capture the full variability encountered in clinical imaging across different scanners and institutions. Secondly, the focus on image-level classification, without tumor segmentation, restricts the direct interpretability of results in a clinical context. Additionally, the interpretability analysis utilized only Grad-CAM, which offers coarse localization rather than detailed feature attribution, potentially limiting insights into model decision-making.
Moreover, while the proposed model exhibited promising accuracy, further validation is necessary to assess its feasibility for real-time deployment in clinical environments. Addressing these limitations will be crucial for enhancing the model’s applicability and reliability in practical settings, and future research will aim to tackle these issues.