Здравствуйте, меня зовут Нагида Каража, аспирантка второго курса. Сегодня я представлю разбор статьи, которая имеет небосредственное отношение к моей диссертационной работе. Статья посвящена оптимизации архитектур нейронных сетей для автоматической диагностики обухолей головного мозга по МРТ-снимкам. Диагностика обухолей мозга критически важная и сложная задача. Существующие методы имеют ограничения. Ручный анализ требует высокой квалификации и подвержен субъективности. Многие искусственного интеллекта решения используют неоптимальные архитектуры, что снижает их эффективность. Это создаёт потребность в автоматизированных системах с гарантированной оптимальной структурой. Авторы поставили цель не просто использовать готовые архитектуры, а оптимизировать их под конкретную задачу. Ключевая новизна – применение генетического алгоритма для одновременного определения гиперпараметров CNN, фильтров и пулинга, архитектуры и весов ANN. Это позволяет автоматизировать процесс создания оптимальной модели. Метод представляет собой последовательный конверт обработки. Сначала MRT очищается и улучшается. Выделяется область мозга. Затем оптимизированная CNN сегментирует изображение. MPCA сокращает размерность признаков, оставляя только информативные. И, наконец, оптимизированная ANN классифицирует оба пола. Генетический алгоритм используется на двух ключевых этапах для оптимизации архитектуры. Для сегментации используется CNN с encoder-decoder архитектурой. Генетический алгоритм оптимизирует 52 параметра, включая размеры и количество фильтров в каждом слое. Каждая хромосома в генетическом алгоритме представляет собой конкретную конфигурацию CNN. Качество сегментации оценивается по метрике Dice. Чем лучше сегментация, тем выше приспособленность особи. Алгоритм итеративно улучшает популяцию, находя оптимальную архитектуру. После сегментации MBCA сокращает размерность данных, сохраняя максимальную информацию. Для классификации используется ENN, где генетический алгоритм определяет количество нейронов в скрытом слое и вес всех соединений. Длина хромосомы зависит от архитектуры. Эксперименты проводились на двух публичных наборах данных. Использовалась 10-кратная кросс-валидация для надежной оценки. Сравнение проводилось с несколькими современными методами, выключая SVM и последние разработки. Точность превышает 98,5% на обоих наборах данных, как показано в таблице. Метод превосходит все сравнение подходов, но важно отметить, что использование генетического алгоритма дает прирост точности 2-3% по сравнению с неоптимизированными CNN и ANN. Это доказывает эффективность предложенного подхода к оптимизации. Для медицинских применений важна не только точность, но и стабильность. Покс-блоты показывают, что метод имеет меньший разброс результатов. ROC-кривые демонстрируют лучшие соотношения true positive rate и false positive rate. Это означает, что система точна и надёжна в различных условиях. Метод имеет не сомнения достоинства, но и определённые ограничения. Ключевым преимуществом метода является достижение наивысшей точности. Основной недостаток это вычисленная сложность процесса оптимизации. Также стоит отметить отсутствие внешней вариации. В связи с моей диссертацией, оптимизированный канвер может быть использован в качестве основы для диагностического модуля в системе поддержки и принятия решений. Методология органического алгоритма может быть адаптирована для создания моделей классификации типов укухолей. Для преодоления реавлияльных ограничений предлагается следующее направление развития. Следование и применение более эффективных алгоритмов оптимизации, расширение функциональности для решения задач многоклассовой классификации и прогнозированная эффективность лечения. Таким образом, разупранная статья предоставляет собой значительный вклад в область медицинского искусственного интеллекта. Вижу чёткий путь для адаптации и улучшения этих методов в рамках разработки комплексной системы поддержки врачебных решений. Спасибо за внимание. Продолжение следует.