编辑推荐：
在物联网医疗系统中，准确检测和分类脑肿瘤至关重要。研究人员开展基于卷积神经网络（CNN）的脑肿瘤分类模型研究，使用 17,000 份 T1 加权增强 MRI 扫描数据训练模型，其分类准确率达 99.37%，有望辅助医生诊断，改善患者预后。
在现代医疗领域，癌症就像一个隐藏在暗处的 “杀手”，时刻威胁着人们的生命健康。其中，脑肿瘤的危害不容小觑。全球范围内，癌症的发病率和死亡率都在持续攀升，脑癌患者数量也颇为可观，且其死亡率高达 81.57%。脑肿瘤不仅严重影响患者的生活质量，还带来沉重的经济负担，像恶性胶质瘤患者，近半数都遭受着认知功能障碍的折磨。
早期诊断脑肿瘤对改善患者的预后状况、降低死亡率意义重大。然而，传统的诊断方式存在诸多弊端。磁共振成像（MRI）虽能提供高分辨率的软组织解剖结构图像，是诊断脑肿瘤的重要工具，但依靠人工识别 MRI 图像中的脑肿瘤既耗时又费力，还容易出错。而且不同肿瘤在 MRI 图像上的表现差异较大，一些特征难以察觉，这使得人工诊断的可靠性大打折扣。随着病例数量的增加，数据量剧增，传统方法变得愈发昂贵且不准确。
为了攻克这些难题，来自国内相关研究机构的研究人员积极探索，开展了一项极具创新性的研究。他们致力于开发一种基于卷积神经网络（Convolutional Neural Networks，CNN）的机器学习模型，期望能实现对各种脑肿瘤类型的精准、可靠分类。
研究人员利用一个包含 17,000 份 T1 加权对比增强 MRI 扫描的综合数据集对模型进行训练。经过不懈努力，他们取得了令人瞩目的成果：该模型的分类准确率高达 99.37%。这一成果意义非凡，意味着这个模型极有可能成为放射科医生的得力决策支持系统，帮助医生快速、准确地做出诊断，并为患者制定个性化的治疗方案。此外，研究人员还将该模型开发成一款名为 BRAIN-SCN-PRO 的安卓移动应用程序，发布在谷歌应用商店上，这为脑肿瘤的早期检测和管理带来了新的变革，有望显著改善患者的治疗效果和生活质量。该研究成果发表在《Biomedical Signal Processing and Control》上，为物联网医疗系统的发展做出了重要贡献。
在研究过程中，研究人员主要运用了以下关键技术方法：一是使用了来自中国南方医院和天津医科大学总医院的 3064 份 T1 加权对比增强 MRI 图像作为基础数据，同时添加了健康 MRI 图像类别；二是采用多种优化器（如 Adam、SGD、RMSProp）对模型进行超参数优化，通过调整学习率（从 0.01 到 0.0001）来寻找最佳性能模型；三是利用构建的 22 层 CNN 模型进行训练和预测。
数据集收集
研究人员收集了来自 233 名患者的 3064 份 T1 加权对比增强 MRI 图像，这些患者分别患有脑膜瘤（包含 708 个图像切片）、胶质瘤（包含 1426 个图像切片）和垂体瘤（包含 930 个图像切片）。这些图像来源于中国广州的南方医院和天津医科大学总医院。此外，研究人员新增了健康类别，完善了数据集。
分类曲线绘制
研究人员通过改变学习率和优化器来生成模型的分类曲线。学习率在 0.01 到 0.0001 之间变动，使用 Adam、SGD 和 RMSProp 三种优化器训练模型。分类曲线在评估模型训练和验证阶段的性能时发挥了重要作用，有助于研究人员了解模型从训练数据中学习的情况。
研究最终得出结论：基于 CNN 的 22 层模型在脑肿瘤分类方面表现卓越，在学习率为 0.0001、使用 Adam 优化器的情况下，达到了 99.37% 的高准确率。同时，开发的 AI 安卓移动应用程序 BRAIN-SCN-PRO，为脑肿瘤的诊断提供了便捷、高效的工具。
这项研究意义深远。它不仅解决了现有模型在区分健康和患病脑图像方面的不足，还通过在全新数据集上的测试，证明了模型的稳健性。而且，将模型开发成移动应用程序，更是填补了之前研究在模型部署方面的空白，为脑肿瘤的早期诊断和治疗开辟了新的道路，在物联网医疗系统中具有巨大的应用潜力，有望为全球脑肿瘤患者带来新的希望。
