基于混沌正交优化学习的改进黏菌算法提升疟疾患者结局严重性预测精度

本研究针对疟疾严重性预测中传统Slime Mould Algorithm（SMA）存在的收敛慢、局部最优陷阱等问题，提出融合混沌初始化策略（CIS）、增强反向学习（eOBL）、正交学习（OL）和重启策略（RS）的改进SMA（iSMA），结合随机森林（RF）特征选择与支持向量机（SVM）构建RF-iSMA-SVM模型。实验显示模型准确率达0.981，显著优于现有方法，为资源有限地区的疟疾精准诊疗提供新工具。

　　

疟疾是全球公共卫生领域的重大挑战，尤其在非洲等发展中国家，每年导致数十万人死亡。尽管现有诊断技术如吉姆萨染色显微镜检可识别疟原虫，但其依赖人工操作且效率低下。更棘手的是，传统机器学习模型在预测疾病严重性时，常因算法收敛速度慢、易陷局部最优等问题，难以满足临床精准决策需求。针对这一痛点，中国国家自然科学基金资助的研究团队在《Computers in Biology and Medicine》发表论文，通过创新性优化黏菌算法（SMA），构建了高效预测模型RF-iSMA-SVM。

研究采用四重技术突破：混沌初始化策略（CIS）利用Logistic映射生成多样性初始种群；增强反向学习（eOBL）扩展搜索空间；正交学习（OL）通过正交向量加速收敛；重启策略（RS）则解决停滞问题。模型整合随机森林（RF）进行特征选择，支持向量机（SVM）完成分类，数据来自塞拉利昂医疗中心的真实疟疾病例队列。

实验结果

1. 基准测试验证：在CEC2022函数测试中，iSMA收敛速度较粒子群优化（PSO）、鲸鱼算法（WOA）等提升30%以上，全局搜索能力显著增强。
2. 疟疾预测性能：临床测试显示，模型准确率0.981，灵敏度0.974（识别重症能力），特异性0.827（排除非重症能力），马修斯相关系数（MCC）0.794，全面超越传统方法。
3. 组件贡献分析：消融实验证实OL策略使收敛迭代次数减少42%，CIS将初始解质量提升58%。

结论与意义
该研究首次将混沌理论与正交学习嵌入SMA框架，解决了元启发式算法在医疗预测中的关键瓶颈。RF-iSMA-SVM模型不仅为疟疾分级诊疗提供自动化工具，其模块化设计（如RS机制）可扩展至其他传染病预测领域。局限性在于对数据质量敏感，未来需在跨区域数据泛化性上深入探索。这项工作标志着智能优化算法与临床医学结合的里程碑，尤其对资源匮乏地区的公共卫生决策具有变革性价值。