摘要 脑肿瘤是全球第十大常见死亡疾病之一，占中枢神经系统所有原发性癌症的 80% 至 90%。由于全球肿瘤疾病的增加，仅在早期阶段就预测脑肿瘤就变得非常必要。生存率取决于早期诊断和有效治疗。如果不能及时发现脑肿瘤，死亡风险会显著增加。然而，由于肿瘤细胞的复杂性和多样性，放射科医生面临许多困难，这使得手动处理磁共振成像 (MRI) 扫描变得困难且耗时。深度神经网络学习 (DL) 和智能机器学习 (ML) 算法已成为诊断医学图像的有前途的技术，允许从 MRI 数据报告自动提取相关模式和特征，从而快速准确地改善肿瘤诊断。这些技术可以解决脑肿瘤特征的复杂性和不可预测性，从而可以增强诊断过程。各种深度神经网络和智能机器学习网络，如 VGG19 网络、Inception、U-net、RNN、Bi-LSTM、混合模型、CNN、逻辑回归、RF、决策树、混合模型，已被用于从 MRI 中提取预期特征，以便对脑肿瘤进行早期预测。本文使用从 FigShare 数据集和 BRATs 数据集中获取的 MRI 图像对脑肿瘤的严重程度进行分析。与 SVM 模型相比，CNN 模型的准确率更高，分别为 93% 和 86%。 关键词：深度学习、机器学习、SVM、CNN、混合模型 1. 简介 人工智能 (AI) 已经改变了医疗保健中的诊断成像，它结合机器学习、深度学习高级算法来改进对医学图像（例如 CT、MRI 和 X 射线扫描）的分析。人工智能改变了诊断过程，允许更精确、更有效的疾病识别方法，而不仅仅是自动化工作。这项技术代表了诊断成像分析和应用的重大进步 [1]。脑肿瘤是全球主要的健康问题，死亡率急剧上升。这些恶性肿瘤主要分为原发性和继发性两大类。从肾脏、乳房、皮肤、肺或甲状腺等其他器官转移到大脑的癌细胞是继发性脑肿瘤的来源，而原发性脑肿瘤则在大脑内部开始和生长。患有恶性继发性肿瘤的患者存活机会较小 [2,3]。另一方面，