一种结合SVM的优化偏振光算法用于早期食管癌诊断

《Biomedical Signal Processing and Control》:An optimized polar lights algorithm with SVM for early-stage esophageal cancer diagnosis

【字体: 大 中 小 】 时间:2026年10月14日 来源:Biomedical Signal Processing and Control 5.7

编辑推荐:

   摘要食管癌具有较高的发病率和死亡率,早期检测对于改善预后至关重要。本研究提出了bPLOAEA-SVM,该方法将极光的二进制形式优化器(PLO)与自适应精英存档(PLOAEA)和支持向量机(SVM)相结合,用于从胸部CT图像中选择放射组学特征。PLOAEA首先在IEEE CEC

  

摘要

食管癌具有较高的发病率和死亡率,早期检测对于改善预后至关重要。本研究提出了bPLOAEA-SVM,该方法将极光的二进制形式优化器(PLO)与自适应精英存档(PLOAEA)和支持向量机(SVM)相结合,用于从胸部CT图像中选择放射组学特征。PLOAEA首先在IEEE CEC 2020和CEC 2022基准测试套件上进行了评估,与对比算法相比,其优化性能具有竞争力。临床实验共纳入1720例单中心病例,收集时间为2010年至2023年(974例健康对照和746例经病理证实的早期病例),采用重复分层10折交叉验证。在10次运行中,bPLOAEA-SVM的平均准确率为92.203%,召回率为89.774%,特异性为93.650%,精确率为92.099%,Matthews相关系数为0.835,F1分数为0.905。这些内部验证结果支持了基于PLOAEA的特征选择在CT放射组学中的潜力,但在临床部署前仍需多中心外部验证。

引言

食管癌是一种常见的起源于食管上皮组织的恶性肿瘤。根据2020年最新的全球癌症数据,全球食管癌新发病例约为60.4万例,占所有癌症的3.1%,排名第第七。死亡人数约为54.4万,占所有癌症死亡的5.5%,排名第六[1]。在食管癌早期阶段,疾病局限于食管黏膜和黏膜下层,无淋巴结转移,患者5年生存率可达95%[2]、[3]、[4]。在中期阶段,癌细胞已扩散至食管周围淋巴结,但无远处转移,手术后的生存率可达80%。然而,由于早期食管癌症状不明显,早期诊断率非常低[5]。开发一种准确的早期食管癌风险预测和评估模型对于有效识别高危个体至关重要,具有重要的临床价值。
胸部计算机断层扫描(CT)是健康检查中的常规项目。CT成像数据易于获取,具有高分辨率、检查时间短、食管图像完整等优点[6]。通过有效利用胸部CT数据,可以开发食管癌的预测模型[7]。近期研究进一步证明了基于CT的放射组学和深度学习在食管癌T分期、治疗反应预测和预后建模中的价值[8]、[9]、[10]、[11]。这对于提高早期和中晚期食管癌的影像学诊断具有重要的临床意义。放射组学可以高吞吐量地从CT图像中提取图像特征,将其转化为可量化的高维数据,用于描述肿瘤及其他病变。这些高维数据随后可以通过各种统计方法和数据挖掘技术进行分析,从大量数据中提取和识别关键信息[12]。最终,这一过程可以辅助疾病诊断、分类和分级。然而,需要注意的是,虽然通过放射组学从CT图像中提取的高维特征含有丰富的信息,但也带来了维度灾难相关的挑战[13]。近期研究也强调了标准化的预处理、感知泄漏的特征选择以及跨软件和采集设置的可重复性是稳健放射组学建模的先决条件[14]、[15]、[16]、[17]。当特征过多时会出现这一问题,增加模型复杂度,降低计算效率,并可能因噪声干扰导致过拟合。
特征选择(FS)是机器学习中一种重要的预处理技术,旨在从高维数据中选择具有代表性和区分度的特征子集,同时消除冗余和无关特征,从而提升模型性能[12]。一般来说,特征选择方法可分为三种类型:过滤方法、包装方法和嵌入方法[18]。过滤方法利用统计指标快速评估特征重要性。包装方法根据分类器性能迭代优化特征子集。嵌入方法则与其他方法不同,将特征选择与模型训练过程相结合[13]、[19]。在包装方法中,元启发式算法(MAs)近年来在研究中受到了广泛关注,该算法可通过协调的探索与开发策略搜索全局最优解,而不依赖于问题的特定数学表达式[20]、[21]。与无法捕获特征交互的过滤方法不同,元启发式算法利用智能搜索机制对特征组合进行全面评估。此外,与受限于特定模型架构的嵌入方法相比,元启发式算法具有模型无关的灵活性,可直接兼容从支持向量机到深度神经网络等多种机器学习范式[22]、[23]。近年来,研究人员提出了基于元启发式算法的各种优化方法用于特征选择,包括遗传算法(GA)[24]、粒子群优化(PSO)[25]、鲸鱼优化算法(WOA)[26]、哈里斯鹰优化(HHO)[27]、粘菌算法(SMA)[28]、RIME优化算法(RIME)[29]和极光优化器(PLO)[30]。在这些方法中,PLO是一种新兴的受自然启发的优化算法,灵感来源于高能带电粒子与地球磁场相互作用产生极光的现象,该算法在医学领域的图像分割和特征选择中展现了优越的性能[22]。
PLO通过模拟带电粒子在磁场中的运动模式,利用陀螺运动、极光椭圆轨迹、粒子碰撞机制和Lévy飞行等策略,有效地探索搜索空间,增强全局搜索能力。PLO算法展现了几项优势。它使用动态权重自适应地平衡探索与开发,随着优化进程平滑地转移关注点。探索通过全局搜索中的Lévy飞行得到增强,实现长距离跳跃以逃离局部最优。粒子碰撞机制通过受控的随机性保持多样性,减少早熟收敛。此外,PLO需要最少的手动调参,大多数参数可动态适应。然而,原始的PLO在高度多模态地形中表现不佳,其中维持最优的探索-开发平衡可能具有挑战性,可能导致次优结果,从而限制其在特征选择任务中的适用性。
在本研究中,我们提出了一种PLO的新变体——带有自适应精英存档的PLO(PLOAEA),通过改进特征选择来提高从CT数据预测早期食管癌的准确率。所提出的PLOAEA包含两个关键组件:(1) 自适应PBI距离策略(APD),改编自[31],通过感知多样性的动态搜索调整来防止早熟收敛;(2) 精英驱动的进化策略(EES)[32],以进一步提升优化性能。为了严格评估所选特征,我们采用了支持向量机(SVM)[33]框架。这些组件的整合最终形成了我们最终的方法,称为bPLOAEA-SVM。
本研究做出以下三个主要贡献:
  • 1.
    我们通过在原始极光优化器上引入自适应PBI距离(APD)策略和精英驱动的进化策略(EES)对其进行扩展。APD在搜索开始崩溃时保持群体多样性,而EES则在外部存档中维护的高质量解周围强化搜索。
  • 2.
    我们通过消融研究评估了APD和EES的单独及联合贡献,并在匹配的评估预算和非参数统计检验下,使用IEEE CEC 2020和CEC 2022套件对PLOAEA进行基准测试。
  • 3.
    我们开发了bPLOAEA-SVM作为CT放射组学的包装式特征选择框架,并基于重复分层交叉验证、多种分类指标和特征选择稳定性分析,将其与元启发式方法、树集成方法、常规SVM和KNN方法进行对比评估。
本文其余部分组织如下。方法部分介绍了PLOAEA和bPLOAEA-SVM。结果部分描述了基准测试和临床实验。结论部分总结了研究发现并概述了外部验证的优先事项。

章节摘要

所提出的PLOAEA算法

在本节中,我们介绍本研究的基础组件,从PLO[30]开始。随后,我们提出了受[31]启发的APD,该策略通过根据群体多样性动态调整搜索行为,防止PLO中的早熟收敛。此外,我们讨论了在[32]中提出的EES,该策略通过在优化过程中维护一个精英解存档来增强向最优解的收敛。

改进的有效性分析

一项在CEC 2020上的消融研究将原始PLO、PLO-APD、PLO-EES和完整的PLOAEA在相同的30次运行和300,000次评估预算下进行了比较。表2报告了平均目标值,最佳值以粗体显示。PLOAEA在五个函数上获得了优于PLO的目标值,在两个函数上优于PLO-EES,在五个函数上优于PLO-APD,并在其余几个函数上并列。结果表明联合方法总体上更具竞争力,尽管没有任何单一

结论

本研究提出了PLOAEA及其二进制包装实现bPLOAEA-SVM,用于CT放射组学特征选择。与原始PLO相比,PLOAEA结合了APD——在多样性下降时重定向表现不佳的解——和EES——利用精英解的外部存档。消融实验和CEC基准测试实验支持了这两个组件的互补作用。在单中心临床队列中,bPLOAEA-SVM在重复

CRediT作者贡献声明

文彩云:撰写——初稿。蒋梦梦:概念构思。叶承恩:数据管理。曾庆润:资源。孙侯章:调查研究。李双权:方法论。吴小莉:撰写——审阅与编辑。陈慧玲:资金获取。曹国安:资金获取。

利益冲突声明

作者声明不存在任何已知的可能影响本文所报告工作的竞争性经济利益或个人关系。

致谢

本研究得到了国家自然科学基金委员会(项目编号:62403428和62571374)、浙江省高层次人才特殊支持计划(项目编号:2021R52004)、浙江省自然科学基金(项目编号:LTGY23H180010和LQ23F030017)以及北京科技创新医疗发展基金会(项目编号:KC2023-JX-0288-FM38)的资助。
文彩云|蒋梦梦|叶承恩|曾庆润|孙侯章|李双权|吴小莉|陈慧玲|曹国安
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号