编辑推荐：
为解决脑肿瘤分类需专业专家、模型准确性不足及个性化物理治疗方案制定难题，研究人员开展基于元启发式算法与深度学习的脑肿瘤检测及物理治疗预测研究。提出 SWO+KNN 模型，在 MRI 数据集上表现优于传统算法，为精准医疗提供新方向。
脑肿瘤作为致死率极高的疾病，其早期精准检测与个性化治疗一直是医学领域的难题。当前，基于深度学习的脑肿瘤分类方法虽取得一定进展，但面临依赖专业专家、模型准确性不足等挑战，且针对小儿脑肿瘤患者的个性化物理治疗方案缺乏有效的数据驱动模型。此外，医学影像数据的高维度和复杂性也使得特征选择成为影响分类性能的关键瓶颈。在此背景下，来自国外研究机构的学者开展了相关研究，旨在开发一种高效的脑肿瘤检测及物理治疗预测模型，以提升诊断准确性并推动个性化医疗的发展。该研究成果发表在《Computer Methods and Programs in Biomedicine Update》。
研究人员采用了以下关键技术方法：首先利用 ResNet50V2 和 MobileNetV2 等深度学习模型从脑 MRI 图像中提取特征，随后通过蛛蜂优化算法（SWO）进行特征选择，将连续特征转换为二进制形式以适配 K 近邻算法（KNN）分类。研究使用了来自 King Abdullah 医院的 1682 例小儿脑肿瘤 MRI 数据集，包含 12 种组织学类型，涵盖良性与恶性肿瘤。
研究结果
模型性能评估
在二进制分类任务中，SWO+KNN 模型实现了 97.5% 的准确率、97.5% 的灵敏度和 97.6% 的特异度，显著优于 ResNet50V2（80.3%）、MobileNetV2（82.2%）等深度学习模型及 KNN、SVM、RF 等传统机器学习算法。多分类任务中，该模型准确率达 95.5%，灵敏度 96%，特异度 96.4%，在 9 种肿瘤类型分类中表现出较高的鲁棒性。
物理治疗预测
通过 XGBoost、随机森林（RF）和决策树（DT）对临床数据进行分析，发现 XGBoost 在 29 类物理治疗方案分类中表现最佳，准确率 81.9%，特异性 99.1%，为个性化康复计划制定提供了数据支持。
对比与泛化能力
与其他研究相比，SWO+KNN 在 Br35H 和 Kaggle 数据集上分别达到 99.8% 和 90.8% 的准确率，验证了其泛化能力。研究还通过混淆矩阵分析了模型在不同肿瘤类型中的表现，显示其对 pilocytic astrocytoma 等常见类型的高识别率。
结论与讨论
该研究提出的 SWO+KNN 模型通过元启发式算法与深度学习的结合，有效解决了高维医学影像的特征选择难题，提升了脑肿瘤分类的准确性。SWO 的全局优化能力使其在探索特征空间时实现了开发与探索的平衡，而 KNN 的非参数特性则适配中小规模医疗数据集。此外，研究首次在中东地区将机器学习应用于小儿脑肿瘤物理治疗预测，为临床决策提供了新工具。尽管存在数据集不平衡和计算资源限制等局限，该模型仍为脑肿瘤的精准诊断与个性化治疗开辟了新方向，未来可进一步拓展至多中心数据集和更多元启发式算法优化。
