В современной медицине точность прогнозирования и ранней диагностики онкологических заболеваний становится ключевым фактором успешного лечения. Одним из перспективных направлений является применение гибридных интеллектуальных систем, которые объединяют метаэвристические алгоритмы оптимизации и методы машинного обучения. Недавнее исследование представило усовершенствованный алгоритм оптимизации речных раков — MSCOA (Multi-Strategy Crayfish Optimization Algorithm), интегрированный с экстремальной машиной обучения (Extreme Learning Machine, ELM) для прогнозирования рака груди на основе данных Wisconsin Diagnostic Breast Cancer.
MSCOA был создан для преодоления недостатков базового алгоритма COA, таких как снижение разнообразия популяции, склонность к преждевременной сходимости и ограниченные возможности поиска глобального оптимума. Для этого внедрены новые механизмы: хаотическая обратная инициализация для более равномерного распределения исходных решений, адаптивная t-распределённая стратегия кормления для увеличения разнообразия и эффективности локального поиска, коэффициент ускорения роста кривой для оптимального баланса между глобальными и локальными решениями, гибридное косинусно-экспоненциальное взвешивание для динамического управления интенсивностью поиска и метод обратного усиления для выхода из локальных минимумов. Эти усовершенствования позволили алгоритму одновременно глубоко исследовать пространство поиска и избегать зацикливания на частичных решениях.
При тестировании на бенчмарках CEC2005 и CEC2019 MSCOA показал более высокую скорость сходимости и устойчивость к локальным ловушкам по сравнению с современными алгоритмами, включая GWO, DBO, SABO и APO. Критерий суммы рангов Уилкоксона подтвердил статистически значимое превосходство MSCOA (p < 0,05) в большинстве тестов.
При интеграции с ELM алгоритм MSCOA выполняет оптимизацию весов и смещений нейросети, что позволяет достичь максимальной точности классификации. В задаче прогнозирования рака груди на наборе данных WDBC гибридная модель MSCOA-ELM достигла 100% точности, полноты, прецизионности и оценки F1, значительно превысив показатели базовой ELM (точность 71%). Высокие значения AUC и ROC-кривой подтверждают исключительную способность модели различать злокачественные и доброкачественные случаи.
Особое внимание уделено тестированию на зашумленных данных с гауссовским шумом и случайной инверсией меток. Даже в условиях, приближенных к реальным клиническим, MSCOA-ELM сохраняла точность свыше 90%, демонстрируя устойчивость к ошибкам измерений и помехам. Это критично для медицинских систем, работающих с неполными или искажёнными данными.
Практическое значение MSCOA-ELM для здравоохранения заключается в возможности использовать его как основу для интеллектуальных систем раннего скрининга рака груди, интегрированных в медицинские информационные системы. Такой подход обеспечивает: высокую скорость анализа, минимизацию ложноположительных и ложноотрицательных результатов, устойчивую работу при неполных или зашумленных данных, масштабируемость для обработки больших массивов информации.
В будущем планируется адаптация MSCOA-ELM для многокритериальной оптимизации, расширение применения на другие онкологические нозологии, включая рак матки, разработка лёгких версий алгоритма для встраиваемых медицинских устройств, а также интеграция с облачными системами хранения и анализа данных для дистанционного мониторинга пациентов.
Таким образом, гибрид MSCOA-ELM демонстрирует, что объединение алгоритмов оптимизации и машинного обучения способно вывести медицинскую диагностику на новый уровень, обеспечивая максимально точное, быстрое и устойчивое прогнозирование рака груди, что напрямую влияет на выживаемость и качество жизни пациенток.
А затем «Добавить на главный экран». 