基于蜂群优化(Bee Colony Optimization, BCO)与模糊Softmax置信度建模的多类别脑肿瘤MRI分类框架

《Mathematics》：A Bee Colony Optimization Framework with Fuzzy Softmax Confidence Modeling for Multiclass Brain Tumor MRI Classification

　　

摘要：基于磁共振成像(Magnetic Resonance Imaging, MRI)的脑肿瘤分类在仅提供图像级标签且肿瘤类别间存在重叠视觉特征时仍具挑战性。研究人员选用Kaggle公开Brain Tumor MRI Dataset，为包含胶质瘤(glioma)、脑膜瘤(meningioma)、垂体瘤(pituitary tumor)及无肿瘤(no tumor)四类2D MRI切片的四分类数据集，据此将所提框架构建为基于切片的多类别分类方法而非三维体数据分析流程。研究人员提出一种轻量且可解释的框架，融合手工多尺度MRI描述子、人工神经网络(Artificial Neural Network, ANN)、基于蜂群优化(Bee Colony Optimization, BCO)的神经网络架构搜索(Neural Architecture Search, NAS)及模糊Softmax置信度建模。每幅MRI切片由全局与非重叠空间块上计算的强度、局部熵及梯度幅值导出紧凑的9维特征向量表示。ANN设计问题被形式化为离散—连续优化任务，通过BCO最大化验证集宏F1(macro-F1)得分以优化网络结构与训练超参数。为量化预测可靠性，将Softmax输出解释为模糊类隶属度，进一步通过最大隶属度、归一化熵、决策间隔(decision margin)及模糊歧义度(ambiguity measure)进行分析，实现置信度感知的可靠性评估，并支持基于置信度阈值的选择性分类及低置信度预测拒绝。重复实验表明，优化后BCO-ANN平均测试准确率(mean test accuracy)达……，平均宏F1达……，平均布赖尔分数(Brier Score)为……，平均期望校准误差(Expected Calibration Error, ECE)为……，而基线ANN分别为……、……、……及……。在置信度阈值拒绝下，选择性宏F1于覆盖率……时升至……，于覆盖率……时升至……，伴随预期覆盖率下降。结果表明，该框架在低维手工特征设定下，为优化感知与置信度感知的多类别脑肿瘤MRI分类提供了一种透明且可复现的方法。

论文解读：基于蜂群优化与模糊Softmax置信度建模的多类别脑肿瘤MRI分类框架

该研究与《Mathematics》期刊发表背景相契合——针对仅有图像级标签、类别间视觉特征重叠的脑肿瘤MRI四分类（胶质瘤、脑膜瘤、垂体瘤、无肿瘤）场景，现有深度学习方法多依赖端到端卷积或Transformer架构及像素级标注数据，而在仅含图像级标签的实际环境中，轻量、可解释且计算高效的模型仍有需求；同时常规ANN架构与超参数多靠手动调参或试错，缺乏系统性优化，且Softmax输出常被直接当作置信度而未做显式选择性分类与覆盖率—可靠性权衡分析。为此研究人员提出将低维手工多尺度MRI描述子、BCO驱动的ANN架构与超参数搜索、以及基于Softmax输出的模糊置信度层整合入统一框架，经公开数据集验证其分类性能、校准性及选择性分类能力均优于固定结构基线ANN，为资源受限或需可解释性的医学影像辅助分析场景提供方法学参考。

主要关键技术方法

研究人员采用Kaggle公开Brain Tumor MRI Dataset（四分类：glioma、meningioma、pituitary tumor、no tumor，含预定义训练/测试划分的2D MRI切片）。关键方法含三点：①图像灰度化与最小—最大归一化后，提取全局及非重叠8×8、16×16像素块上的均值强度、局部熵、Sobel梯度幅值，拼接为9维多尺度手工特征向量并经z-score标准化；②将ANN隐藏层数、每层宽度、Dropout率、学习率、批大小、激活函数（ReLU/GELU/LeakyReLU）、权重衰减及最大训练轮次编码为BCO蜜蜂个体，以验证集macro-F₁为适应度函数，通过精英邻域搜索与侦查蜂替换执行神经网络架构搜索(NAS)，选出最优配置重训后于独立测试集评估；③将ANN输出的Softmax概率解释为模糊类隶属度，计算最大隶属度、归一化熵H_norm、决策间隔（首大减次大Softmax值）及歧义度，依最大隶属度设定阈值做选择性分类（低于阈值预测予以拒绝），实现置信度感知可靠性过滤。

研究结果

3.1. Dataset Summary

数据集按类别文件夹组织为预定义互斥的训练与测试划分，训练集再分层划分为拟合子集与验证子集。各类别样本数呈中度不平衡，故评价以宏平均指标(macro-averaged metrics)为主，确保四类别权重等同。因无像素级标注，任务被定为图像级四分类。

3.2. Overall Model Comparison

基线固定结构ANN（两层隐层，宽64/32，Dropout 0.3，lr=1×10^?3，batch=64，weight decay=1×10^?4，Adam优化器，早停patience=8）与BCO优化后ANN对比：BCO-ANN平均测试准确率、macro-F₁均高于基线，Brier Score与ECE更低，说明BCO搜索提升了预测准确性与概率校准质量。同特征空间下经典机器学习对照中随机森林宏F₁最高，随机搜索同空间ANN所得测试宏F₁与BCO接近。

3.3. Baseline and Optimized ANN Performance

混淆矩阵显示基线ANN在肿瘤亚类（尤其glioma?meningioma）间混淆明显，"无肿瘤"类较易区分；BCO-ANN整体类判别改善，但meningioma仍最难分。每类精确率(precision)、召回率(recall)、F₁均值显示BCO-ANN将meningioma类召回率与F₁提升，是全局macro-F₁增益的主要来源。

3.4. BCO Optimization Dynamics

BCO迭代中最佳适应度(1?macro-F₁)从约……降至……，种群均值适应度从约……降至……，表明搜索有效收敛至高性能稳定区域。选出的最优配置偏向更深网络结构，说明该分类问题受益于比固定基线更复杂的非线性映射能力。优化后ANN训练过程中验证损失快速下降后平稳、验证macro-F₁早期即达峰，说明所选架构与9维特征空间维度及类结构匹配良好。

3.5. Baseline Comparison with Random Search and Activation Analysis

BCO平均最佳验证macro-F₁高于随机搜索，最终测试macro-F₁二者相近，BCO搜索耗时更长。表明在此低维离散—连续混合搜索空间中BCO具更优验证集优化导向与结构化搜索行为，但未在最终泛化性能上大幅超越良好执行的随机搜索。激活函数（ReLU/GELU/LeakyReLU）对应验证macro-F₁分布范围接近但稳定性略有差异，说明激活选择影响次要于多层超参数交互作用。

3.6. Feature Ablation Study

仅用全局描述子、全局+8×8块描述子、全多尺度(全局+8×8+16×16)描述子及单一类型描述子（仅强度/仅熵/仅梯度）对比显示：全多尺度组合宏F₁最高，全局+8×8次之，单一描述子显著差。证实多尺度空间异质性信息对区分类别具贡献。模糊置信度模块不参与BCO搜索，仅为ANN输出后验的后验分析层。

3.7. Feature Space Structure

特征空间二维PCA投影可见no tumor与pituitary类部分分离，glioma与meningioma重叠较强，与混淆矩阵互证，说明手工特征空间表达力不足是残余分类误差主因之一。

3.8. Selective Classification and Fuzzy Confidence Analysis

随置信度阈值τ升高，接受样本覆盖率下降，接受子集准确率与macro-F₁上升。例τ=0.6时覆盖率……、选择性macro-F₁=……；τ=0.8时覆盖率降至……、选择性macro-F₁升至……。证明模糊置信度层可作有效可靠性过滤器。最典型残留误判为meningioma被判为no tumor，再次指向特征表达能力限制。

讨论与结论部分总结

讨论指出BCO-ANN相较基线提升不仅为经验性改进，更说明ANN结构设计可显式形式化为优化问题并由BCO求解；虽BCO验证集优化能力强于随机搜索，但最终测试性能差距不大，反映本研究中低维特征与有限混合搜索空间下元启发式优势主要体现在搜索结构性而非绝对预测碾压。模糊置信度建模提供量化覆盖率—可靠性权衡依据，适合医学影像中对预测置信度同等重视的应用场景。PCA与混淆矩阵提示主要瓶颈在手工特征对glioma/meningioma区分力有限。局限性含特征阶数较低、未显式利用局部空间排布（仅块平均）、模糊层未嵌入训练目标、BCO与随机搜索最终泛化差距小等。未来方向含引入高阶纹理或混合深度特征、将置信度感知目标并入模型选择、发展自适应拒绝阈值与模糊风险泛函驱动的选择性分类。

结论：论文核心创新并非孤立新组件，而是将ANN分类、BCO架构搜索与模糊置信度选择性决策分析在数学上显式集成于图像级脑肿瘤MRI四分类轻量框架中。重复实验中BCO-ANN较基线ANN平均测试准确率由……提升至……，macro-F₁由……提升至……，Brier Score由……降至……，ECE由……降至……；置信度阈值选择性拒绝可使低覆盖率下选择性macro-F₁达……。该框架在轻量手工特征设定下实现了分类、元启发式优化与后验置信度感知选择性决策分析的一致整合；meningioma分类困难及特征空间重叠提示剩余局限主要在于特征表达能力而非分类器设计。本研究应视为紧凑切片级设定下的概念验证，非临床就绪证据，后续工作宜拓展更丰富特征表示、更强置信度感知模型选择及更形式化的模糊决策规则以服务更广泛医学影像分类需求。