基于Jaya优化的堆叠集成学习模型在心脏病早期诊断中的创新应用研究

本文推荐研究人员针对心脏病(HD)早期诊断准确率不足的问题，创新性地提出Jaya优化堆叠集成(J-oSE)方法。通过整合7种机器学习算法和Jaya超参数优化技术，在10折交叉验证中实现93.55%的准确率，较传统方法提升显著。该研究为临床HD筛查提供了更可靠的AI辅助诊断方案。

　　

在全球每年约2000万心血管疾病死亡病例的严峻背景下，心脏病(HD)早期诊断面临两大痛点：传统检测手段如心电图(ECG)成本高昂，而现有机器学习模型存在过拟合和泛化能力不足等问题。尤其值得注意的是，印度承担着全球60%的HD疾病负担，却缺乏经济高效的筛查方案。

针对这一临床挑战，研究人员创新性地将自然界启发的Jaya优化算法与堆叠集成学习相结合。这项发表在《Computers in Biology and Medicine》的研究，通过两个独立HD数据集验证，证明Jaya优化的堆叠集成(J-oSE)方法能显著提升诊断准确率。研究采用SMOTE处理数据不平衡，整合决策树(DT)、随机森林(RF)等7种基础分类器，并通过Jaya算法优化逻辑回归元学习器的超参数（包括正则化参数和最大迭代次数）。

方法创新性

研究设计包含六个关键环节：数据集预处理、基础分类器训练、Jaya优化元学习器构建、10折交叉验证、ROC曲线评估和配对t检验。特别值得注意的是，Jaya算法通过无参数优化的特性，有效解决了传统超参数调优计算量大的问题。

突破性结果

在克利夫兰数据集上，J-oSE模型达到93.55%的准确率，较基线模型提升6.2%。统计学分析显示：

• T统计量高达46.89（p=1.0），证实Jaya优化的显著性

• ROC曲线下面积(AUC)提升至0.92

• 正则化强度优化使过拟合风险降低37%

临床价值

该研究的核心突破在于：

1. 首次证实Jaya算法在医学影像分类中的优化效能

2. 构建的集成模型在印度人群数据中保持84.88%的准确率

3. 通过95%置信区间验证了方法的鲁棒性

讨论启示

研究者特别强调，传统集成方法在未优化时存在"准确率天花板"现象（约87%），而Jaya算法通过动态调整分类器权重突破了这一限制。但需注意，模型在第二数据集表现略有下降，提示需要更大规模的多中心验证。

这项研究为资源受限地区提供了经济可行的HD筛查方案，其方法论框架也可拓展至其他疾病诊断领域。未来工作应关注模型的可解释性增强和实时预测能力优化。