综述：慢性疾病多元分类的元启发式优化：机器学习视角下的综述

（编辑推荐）本综述系统探讨了机器学习（ML）与元启发式优化（MHO）在慢性疾病（CDs）多元分类中的协同作用，揭示了MHO如何优化特征选择、缓解类别不平衡问题，并指出当前面临的算法偏差与计算复杂度挑战，为智能诊断模型开发提供关键洞见。

　　

ABSTRACT

慢性疾病（CDs）因其症状复杂重叠、传统诊断方法局限而成为全球健康难题。基于人工智能（AI）的技术，尤其是机器学习（ML）和元启发式优化（MHO）算法，成为解决这些挑战的有力工具。本文综述了ML与MHO在CDs多元分类中的应用，阐明MHO如何通过优化特征选择、调整超参数及缓解类不平衡问题，显著提升ML模型的性能。例如，遗传算法（GA）和粒子群优化（PSO）被用于筛选高判别性生物标志物，而模拟退火（SA）则有效改善模型泛化能力。然而，MHO方法仍面临计算资源消耗大、易陷入局部最优等瓶颈，需进一步探索分布式计算与混合优化策略。

Graphical Abstract

通过鱼骨图直观呈现ML与MHO在CDs预测中的关键问题：特征冗余、数据噪声、小样本偏差等核心挑战通过因果链与算法性能下降相关联。图中特别标注了MHO对模型鲁棒性的改进路径，如蚁群优化（ACO）在降低假阳性率方面的作用。

技术挑战与未来方向

当前MHO-ML融合模型在临床部署中存在三大壁垒：1）多数研究依赖仿真数据，真实世界验证不足；2）多病症共现场景下的动态特征权重分配机制尚未突破；3）算法可解释性难以满足医疗合规要求。最新趋势显示，量子启发优化（QIO）与图神经网络（GNN）的结合可能为多器官慢性病关联分析开辟新途径。

Conflicts of Interest

作者声明无利益冲突。全文未提及具体机构信息，但研究内容覆盖了WHO公布的12种高负担慢性病，包括糖尿病₂型（T2DM）和慢性阻塞性肺病（COPD）的跨模态数据融合案例。