基于黑猩猩-鲸鱼融合估计的多级框架Fusion-ADiNet：提升糖尿病与阿尔茨海默病检测的新策略

《Scientific Reports》：Fusion-ADiNet: a multi-level framework for enhanced diabetes and Alzheimer’s disease detection using chimp-whale fusion estimation

本研究针对糖尿病(DM)与阿尔茨海默病(AD)早期检测准确率低、计算复杂度高等问题，提出了融合Swin Transformer、CNN和MobileNet的多级框架Fusion-ADiNet，并创新性地开发了黑猩猩-鲸鱼融合估计(CWFE)优化算法。实验表明，该模型在PIMA印第安糖尿病数据集上准确率达99.5%，显著优于传统机器学习方法，为糖尿病相关认知衰退的早期预警提供了高效诊断工具。

　　

随着全球人口老龄化进程加速，糖尿病(Diabetes Mellitus, DM)与阿尔茨海默病(Alzheimer's Disease, AD)已成为威胁人类健康的两大重要疾病。尤其近年研究发现，糖尿病特别是2型糖尿病(Type 2 Diabetes Mellitus, T2DM)患者罹患阿尔茨海默病的风险显著升高，糖尿病甚至被视为"3型糖尿病"以强调其对大脑功能的严重影响。然而，传统诊断方法存在明显局限：单一疾病检测模型难以捕捉两种疾病间的复杂关联，机器学习算法对高维临床数据处理能力不足，且现有技术对早期病变特征的识别灵敏度有限。

针对这一挑战，来自台湾国立高雄科技大学的Roobini MS团队在《Scientific Reports》发表了题为"Fusion-ADiNet: a multi-level framework for enhanced diabetes and Alzheimer's disease detection using chimp-whale fusion estimation"的研究论文。研究人员开发了一种创新性的多级融合框架，通过结合深度学习与智能优化算法，实现了对糖尿病及其与阿尔茨海默病关联性的高效检测。

本研究采用的核心技术方法包括：首先构建Fusion-ADiNet多级融合架构，整合Swin Transformer的全局依赖捕获能力、CNN的局部特征提取优势以及MobileNet的轻量化设计；其次创新提出黑猩猩-鲸鱼融合估计(Chimp-Whale Fusion Estimator, CWFE)优化算法，动态平衡探索与利用过程；使用PIMA印第安糖尿病数据集进行验证，该数据集包含768例样本的8项临床特征；通过五折交叉验证和统计显著性检验确保结果可靠性。

模型架构设计

Fusion-ADiNet的核心创新在于其多层次特征融合机制。如图2所示，模型首先通过嵌入层将输入数据转换为特征矩阵，数学表示为E=φ(Dω_e+β_e)。随后采用Swin Transformer块进行位置编码操作，生成E_pos=E+Pos_end(E)，其中位置编码函数采用正弦-余弦组合形式。通过线性投影和窗口分区机制，模型实现了局部注意力计算，再结合MobileNet的深度可分离卷积f_c=DWConv(f_inp)×PWconv(f_inp)，最终通过特征融合f_f=f_s⊕f_c获得分类结果。

优化算法创新

CWFE算法融合了黑猩猩优化算法(Chimp Optimization Algorithm, ChOA)的群体智能和鲸鱼优化算法(Whale Optimization Algorithm, WOA)的螺旋更新策略。如图3所示，该算法通过非线性参数调整机制，在探索阶段利用黑猩猩的协作狩猎行为扩大搜索范围，在开发阶段采用鲸鱼的泡泡网捕食策略进行精细调优，有效避免了局部最优解问题。

特征分析结果

研究团队对PIMA数据集进行了深入的特征分析。如图4所示，葡萄糖水平、BMI和年龄等特征与糖尿病发病呈现显著相关性。图5的分布直方图显示了各特征的数值分布情况，而图6的特征重要性评分进一步证实了葡萄糖水平在糖尿病和阿尔茨海默病风险预测中的关键作用。

性能验证

实验结果表明，经过CWFE优化后，模型性能得到显著提升。如图7-8所示，训练与验证过程的准确率和损失曲线呈现理想收敛趋势。图9-11对比显示，优化后模型准确率从90.7%提升至99.5%，召回率从99.0%提升至99.4%，F1分数从98.9%提升至99.3%。与现有方法相比（图12-14），该模型在灵敏度(99.2%)、精确度(98.89%)和F1值(98.89%)方面均表现优异。

效率优势

在计算效率方面，如图15所示，该模型训练时间仅需0.10秒，远低于朴素贝叶斯(1.82秒)和J48算法(1.84秒)。图16-17的综合对比进一步证实，该模型在AUC值(0.99)和综合性能指标上均优于最近提出的RFE-GRU等先进模型。

本研究的重要意义在于首次将糖尿病与阿尔茨海默病的检测任务整合到统一框架中，通过多级特征融合和智能优化算法，实现了对两种疾病关联性的精准分析。虽然当前研究主要基于糖尿病数据集验证，但其框架设计为后续整合神经影像等多模态数据奠定了基础。该技术有望推动跨疾病早期预警系统的发展，为糖尿病相关认知障碍的临床干预提供新思路。未来研究方向包括扩展至多中心临床验证、开发可解释性AI组件以及探索实时部署方案。