Гибридная интерпретируемая модель на основе современных моделей машинного и глубокого обучения для классификации опухолей головного мозга по МР-изображениям

Опухоли головного мозга представляют собой серьезную глобальную проблему здравоохранения, а их раннее выявление и точная классификация имеют решающее значение для разработки эффективной стратегии лечения. В настоящем исследовании предложен новый подход, объединяющий облегчённую параллельную сверточную нейронную сеть с разделимыми по глубине свертками (PDSCNN) и гибридную машину экстремального обучения с гребневой регрессией (RRELM) для точной классификации четырех типов опухолей головного мозга — глиомы, менингиомы, отсутствия опухоли и опухоли гипофиза — по изображениям магнитно-резонансной томографии (МРТ). Предлагаемый подход повышает видимость и четкость признаков опухоли на МР-изображениях с помощью адаптивного выравнивания гистограммы с ограничением контраста (CLAHE). Затем облегчённая PDSCNN используется для извлечения релевантных, специфичных для опухоли признаков при минимизации вычислительной сложности. Для повышения эффективности классификации предложена гибридная модель RRELM, усовершенствующая традиционную машину экстремального обучения (ELM). Предлагаемая архитектура сопоставлена с различными современными моделями по точности классификации, числу параметров модели и размерам слоев. В ходе пятикратной перекрестной проверки предлагаемая архитектура достигла средних значений точности, полноты и общей точности классификации 99,35%, 99,30% и 99,22% соответственно. Модель PDSCNN-RRELM превзошла машину экстремального обучения с псевдообратной матрицей (PELM) и продемонстрировала более высокую эффективность. Введение гребневой регрессии в архитектуру ELM обеспечило значительное улучшение показателей классификации, а также характеристик, связанных с числом параметров модели и размерами слоев, по сравнению с современными моделями. Кроме того, интерпретируемость архитектуры была продемонстрирована с помощью аддитивных объяснений Шепли (SHAP), что позволило получить представление о процессе принятия решений и повысить доверие к диагностике в реальных условиях.