基于多策略改进蜣螂优化算法(MDBO-SVM)与影像遗传学的阿尔茨海默病新型诊断方法

为解决阿尔茨海默病(AD)早期诊断难题，研究人员提出多策略改进蜣螂优化算法(MDBO)，融合鱼鹰优化算法(OOA)、Lévy飞行和自适应t分布扰动策略，构建MDBO-SVM诊断框架。该研究在CEC2017基准测试中表现优异，对AD、轻度认知障碍(MCI)和正常对照(CN)的三分类平均准确率达81.7%，最高达92%，为AD早期干预提供了高效诊断工具。

　　

阿尔茨海默病(AD)作为最常见的神经退行性疾病，全球患者数量预计2050年将达1.315亿，但现有诊断方法难以应对其高度异质性。尤其当患者处于轻度认知障碍(MCI)阶段时，每年10-15%的AD转化率使得早期精准诊断成为临床迫切需求。传统蜣螂优化算法(DBO)虽具局部寻优优势，却易受初始种群影响且高维性能欠佳。杭州电子科技大学的研究团队创新性地将自然界启发算法与医学影像遗传学结合，开发出多策略改进蜣螂优化算法(MDBO)，相关成果发表于《Computerized Medical Imaging and Graphics》。

研究采用北京医院提供的临床样本队列，通过三项关键技术突破：1) 引入逻辑混沌映射增强种群多样性；2) 融合鱼鹰优化算法(OOA)的全局探索策略与Lévy飞行机制；3) 采用自适应t分布扰动策略更新觅食阶段个体。在CEC2017基准函数测试中，MDBO较传统DBO、粒子群优化(PSO)等算法展现出更优的全局搜索能力和稳定性。

Dung beetle optimizer
通过模拟蜣螂滚粪球的精确运动机制，将解的质量类比粪便营养价值，动态调整个体位置。改进后的MDBO新增混沌初始化策略，有效克服原算法对初始值敏感的缺陷。

Algorithm performance
在23个CEC2017测试函数中，MDBO在12个函数上显著优于对比算法，尤其在高维非凸问题上表现出色。分类实验中，经特征选择后的支持向量机(SVM)模型对AD/MCI/CN的分类准确率较传统方法提升15.3%。

Discussion
MDBO-SVM框架成功整合影像遗传学数据，其创新性体现在：1) Lévy飞行机制增强逃离局部最优能力；2) 自适应t分布在迭代后期提供精细搜索；3) 新型适应度函数实现多模态数据融合。对于梯度陡峭的CEC函数，OOA策略贡献率达62%。

Conclusion
该研究首创的MDBO-SVM诊断系统实现三大突破：1) 平均分类准确率81.7%(最高92%)；2) 特征维度压缩至原数据的18%；3) 为AD病程控制争取关键时间窗。国家自然科学基金(62271177)和浙江省自然科学基金重点项目(LZ24F010007)的支持，推动该成果向临床转化。

CRediT authorship contribution statement
盛金华负责课题设计与资金筹措；辛宇完成数据收集与实验分析；张乔参与研究设计；宋岩、王璐云和杨泽分别参与数据收集或分析工作。所有作者均声明无利益冲突，研究经杭州电子科技大学(IRB-2020001)和北京医院(2022BJYYEC-375-01)伦理委员会批准。