增强的粘液模具算法与混乱和直角优化基于学习,以提高疟疾患者结果的严重性预测准确性
Ibrahim Musa Conteh1, Qingguo Du2
1School of Information Engineering, Wuhan University of Technology, Wuhan, China; Department of Computer Science, Faculty of Engineering and Technology, Earnest Bai Koroma University of Science and Technology, Magburaka, Sierra Leone.
Computers in biology and medicine
|May 7, 2025
概括
这项研究引入了一种改进的粘液模具算法 (iSMA),用于准确预测疟疾严重程度,提高患者的生存率. 新型RF-iSMA-SVM模型显著优于现有方法,为医疗保健决策提供了可靠的工具.
科学领域:
- 计算智能和机器学习在全球卫生中的应用.
- 为复杂的预测任务开发先进的优化算法.
背景情况:
- 疟疾对健康造成重大负担,特别是在非洲,需要准确的严重程度预测,以有效管理患者.
- 现有的预测方法在趋同,初始化和避免局部最佳条件方面存在局限性,阻碍了最佳性能.
研究的目的:
- 开发和验证一个改进的粘液模具算法 (iSMA) 以提高疟疾严重程度的预测.
- 将iSMA与随机森林 (RF) 和支持矢量机器 (SVM) 集成为一个强大的分类模型 (RF-iSMA-SVM).
主要方法:
- 拟议的iSMA结合了混乱初始化策略 (CIS),增强的基于对立的学习 (eOBL),正交学习 (OL) 和重新启动策略 (RS).
- 使用随机森林 (RF) 进行特征选择,使用支持矢量机 (SVM) 进行分类.
- 该RF-iSMA-SVM模型与其他九种元启发算法进行了基准测试,并对来自塞拉利昂的疟疾数据集进行了评估.
主要成果:
- 在基准测试中,iSMA在九个当代元启发算法中表现出优越的性能.
- 该RF-iSMA-SVM模型实现了高预测性能,准确度为0.981,灵敏度为0.974,特异性为0.827,MCC为0.794.
- 拟议的模型在疟疾严重程度预测方面显著优于传统方法.
结论:
- 开发的RF-iSMA-SVM模型为改善疟疾严重程度预测提供了可靠和有效的工具.
- 这种方法具有显著的潜力,可以改善疟疾流行地区的医疗保健实践,决策和患者结果.
- 该研究提出了高级优化和机器学习的新整合,用于实际的疟疾病例管理.
更多相关视频
10:27Methods to Increase the Sensitivity of High Resolution Melting Single Nucleotide Polymorphism Genotyping in Malaria
Published on: November 10, 2015
11.5K
09:13Author Spotlight: Identifying Compensatory Pathways in Malaria Parasites Containing Hypomorphic Allele of Essential Protein Kinases
Published on: November 22, 2024
1.2K
