一个高效的改进的优化器,用于膀癌分类
Essam H Houssein1, Marwa M Emam1, Waleed Alomoush2
1Faculty of Computers and Information, Minia University, Minia, Egypt.
Computers in biology and medicine
|August 30, 2024
概括
一个改进的优化器 (IPO) 算法提高了膀癌分类的准确性. IPO-SVM方法实现了高性能指标,超过了有效检测膀癌的其他方法.
科学领域:
- 计算智能是一种计算智能.
- 医疗信息学医学信息学
- 机器学习是机器学习.
背景情况:
- 膀癌 (BC) 具有显著的发病率和死亡率风险.
- 准确的BC分类具有挑战性,需要专家分析.
- 像Parrot Optimizer (PO) 这样的现有优化算法存在一些局限性,例如低于最佳的收率和高的错误率.
研究的目的:
- 开发一个改进的优化算法 (IPO),以克服原PO的局限性.
- 通过机器学习提高膀癌分类的准确性和效率.
- 评估拟议的IPO算法的性能与现有方法相比.
主要方法:
- 通过整合镜像反射学习 (MRL) 和伯努利地图 (BMs) 开发了改进的优化器 (IPO).
- 评估了CEC 2022测试函数和9个膀癌数据集的IPO.
- 集成IPO与支持矢量机 (SVM) 分类器,以创建BC分类的IPO-SVM方法.
主要成果:
- 首次公开募股算法在CEC 2022函数的优化性能方面排名第一.
- 在BC数据集上,IPO-SVM方法在其他八种元启发算法上表现出优异的性能.
- IPO-SVM实现了高分类指标:84.11%的准确性,98.10%的敏感性,95.59%的精度,95.98%的特异性和94.15%的F-score.
结论:
- 拟议的IPO算法有效地避免了局部最佳,并提高了融合速度和解决方案多样性.
- IPO-SVM方法为准确的膀癌分类提供了一个有希望和有效的工具.
- 开发的IPO算法有可能在早期发现和治疗膀癌方面发挥重要作用.
