تُعد أورام الدماغ تحديًا طبيًا حرجًا، حيث تتطلب تشخيصًا دقيقًا وفي الوقت المناسب لتحسين نتائج المرضى. يمكن أن يقلل التصنيف الخاطئ من متوسط العمر المتوقع بشكل كبير، مما يبرز الحاجة إلى طرق تشخيص دقيقة. إن التحليل اليدوي لمجموعات بيانات التصوير بالرنين المغناطيسي (MRI) الواسعة يتطلب جهدًا كثيفًا من العمل ووقتًا طويلاً، مما يبرز أهمية نموذج تعلم عميق فعال لتحسين دقة التشخيص. تقدم هذه الدراسة نهجًا مبتكرًا قائمًا على التعلم النقلي (TL) لتصنيف أورام الدماغ بشكل فعّال. تتضمن المنهجية المقترحة معالجة شاملة مسبقة، موازنة البيانات من خلال توليد بيانات اصطناعية (SDG)، وإعادة بناء وتعديل الهياكل المعتمدة على TL، ونمذجة جماعية باستخدام تحسين الوزن القائم على الخوارزمية الوراثية (GAWO) وتحسين الوزن القائم على البحث الشبكي (GSWO) المستخدمان لتحسين أوزان النماذج من أجل أداء أفضل. تم إجراء التجارب على مجموعة بيانات تصوير الدماغ باستخدام الرنين المغناطيسي المعزز بالتباين (CE-MRI) والمكونة من 3064 صورة. أظهر النهج المقترح أداءً استثنائيًا، حيث حقق دقة تصنيف بنسبة 99.57% مع Xception، 99.48% مع ResNet50V2، 99.33% مع ResNet152V2، 99.39% مع InceptionResNetV2، 99.78% مع GAWO، و 99.84% مع GSWO. حقق GSWO أعلى دقة متوسطة بلغت 99.84% عبر التقسيم المتقاطع خمس مرات بين النماذج الأخرى. تسلط التحليلات المقارنة الضوء على تفوق النموذج المقترح على أعمال الحالة الحديثة (SOA)، مما يبرز إمكانيته في مساعدة الأطباء العصبيين والعيادات في اتخاذ قرارات تشخيصية دقيقة وفي الوقت المناسب. تستنتج الدراسة أن نموذج التعلم العميق المحسن هو أداة موثوقة وفعالة لتصنيف أورام الدماغ.
درس تالوكدر وآخرون (الخميس) هذا السؤال.