优化EfficientNet架构的可解释性脑肿瘤分类模型研究
来源：电子测量技术杂志2026年第6期北京时间：
作者：郭心茹，吕卫东，王蕊，赵迪妮
单位：兰州交通大学数理学院 兰州 730070
摘要：脑肿瘤是一类具有高度侵袭性的神经系统疾病，其早期准确诊断对于制定个性化治疗方案至关重要。基于深度学习的计算机辅助诊断（CAD）技术在医学成像分析中取得了显著进展，但在分类准确性、计算效率及可解释性方面仍存在不足。为此，研究提出了一种基于迁移学习和微调策略优化的EfficientNet模型，通过改进部分卷积层和全连接层，并在网络顶部添加全局平均池化层与Dropout层，以增强模型的特征提取能力与分类性能。同时，引入Grad-CAM技术实现模型决策过程可视化，有效突出脑肿瘤的关键判别特征区域，从而增强模型的可解释性与临床应用可信度。在Figshare数据集上的实验结果表明，所提模型在显著降低参数量与计算复杂度的同时，测试集上的准确率达到99.35%，主要性能指标均优于VGG16、ResNet152V2及Vision Transformer等模型。此外，跨数据集验证实验中模型的准确率达到92.51%，进一步验证了其良好的稳定性与泛化能力。
关键词：脑肿瘤;EfficientNet;图像分类;可解释性
基金资助：国家自然科学基金（12462002）项目资助
