基于图嵌入降维与改进APO优化kELM的肺炎影像智能诊断模型研究

针对肺炎X光片识别中特征冗余和参数优化难题，研究团队创新性地将图嵌入降维(GEDR)与改进人工原虫优化器(iAPO)相结合，构建iAPO-kELM分类模型。通过五折交叉验证取得0.9715的F1值，为临床辅助诊断提供高效机器学习解决方案。

　　

肺炎作为全球公共卫生重大威胁，每年导致约400万死亡病例，其中儿童占比高达80万。尽管胸部X光(CXR)因其低成本成为主要诊断手段，但病灶形态多变、影像特征模糊等问题，使得即使经验丰富的放射科医生误诊率仍居高不下。传统深度学习方法虽取得进展，但依赖海量标注数据和算力资源，在医疗资源匮乏地区应用受限。安徽理工大学团队在《Biomedical Signal Processing and Control》发表的研究中，提出融合图嵌入降维(Graph Embedding Dimensionality Reduction, GEDR)与改进人工原虫优化器(Artificial Protozoa Optimizer, iAPO)的核极限学习机(kernel Extreme Learning Machine, kELM)模型，为肺炎智能诊断提供新范式。

研究采用Kaggle公开的2700张CXR图像（肺炎1500/正常1200），通过GEDR将128×128像素图像降维至特征子空间，创新性地改进APO算法的收敛机制以优化kELM核参数，并系统比较不同核函数性能。关键技术包括：基于极限学习机(ELM)的监督式图嵌入降维、引入动态惯性权重的iAPO优化器、五折交叉验证框架下的多指标评估体系。

【Methods】
研究构建的GEDR-ELM模型通过保留样本间图结构关系实现特征压缩，iAPO算法通过引入非线性收敛因子和精英保留策略提升搜索效率，最终优化后的kELM采用RBF核函数进行肺炎分类。

【Experimental materials】
使用Kaggle竞赛数据集，经尺寸标准化后，GEDR将高维影像数据投影至低维流形空间，可视化显示肺炎与正常样本在降维后特征空间中呈现显著可分性。

【Simulation and analysis】
五折交叉验证显示，iAPO-kELM+GEDR组合的精确度(0.9716)、召回率(0.9714)和F1值(0.9715)均显著优于PSO-kELM(0.9621)和GA-kELM(0.9583)。特别在ROC曲线下面积(AUC)指标达0.983，证实模型对肺炎特征的强判别力。

【Conclusion】
该研究突破性地将流形学习与智能优化算法结合，首次实现APO在医学影像分析的创新应用。iAPO-kELM模型仅需常规计算资源即可达到媲美深度学习的性能，为资源受限地区提供可行的肺炎筛查方案。未来可通过融合多模态临床数据进一步提升模型泛化能力。