KI und die schwierigen Probleme der Welt · Medizin & Wirkstoffforschung · Nature (computational biology) · 2026-10-18
Multi-Task-Deep-Learning-Framework zur Klassifikation und Segmentierung von Hirntumoren mittels Ensemble-Merkmalsextraktion
Originaltitel: Multi-task deep learning framework for brain tumor classification and segmentation using ensemble feature extraction
Die frühzeitige und genaue Diagnose von Hirntumoren ist für die Behandlungsplanung unerlässlich, doch die manuelle Auswertung von MRT-Aufnahmen ist langsam und anfällig für menschliche Fehler, und getrennte Klassifikation und Segmentierung verursachen zusätzlichen Rechenaufwand. Die Autoren schlagen ein Multi-Task-Deep-Learning-Framework vor, das ResNet-50, EfficientNet-B5 und CNN-Merkmale mit Attention-Modulen kombiniert und per dynamischer Gewichtung fusioniert. Es klassifiziert zuerst und führt die U-Net++-Segmentierung nur dann aus, wenn ein Tumor erkannt wird; auf einem öffentlichen MRT-Datensatz erreichte es nach eigenen Angaben eine Klassifikationsgenauigkeit von 99.84 %, einen Dice-Koeffizienten von 91.22 % und einen IoU von 89.01 %.