《Scientific Reports》：PEAO: a bio-inspired parallel optimizer with a multi-strategy communication mechanism for breast cancer diagnosis
编辑推荐：
本研究针对乳腺癌诊断中机器学习模型超参数优化效率低、易陷入局部最优等问题，提出了一种新型仿生并行优化算法PEAO。该算法通过并行策略、多策略通信机制和Lévy飞行策略，显著提升了BiLSTM网络在乳腺癌分类任务中的性能，在BCWD和WBC数据集上准确率分别达到99.12%和98.56%，为智能辅助诊断系统提供了可靠技术支撑。
乳腺癌是全球女性最常见的恶性肿瘤之一，世界卫生组织统计显示其发病率呈逐年上升且年轻化趋势。早期精准诊断对提高治愈率、延长患者生存期至关重要。随着人工智能技术的发展，机器学习（ML）和深度学习（DL）驱动的诊断工具在医学影像分析和组织病理识别方面取得显著进展。然而，无论是经典ML模型还是复杂DL模型，其分类性能高度依赖于超参数配置，如何高效稳健地优化这些关键参数成为提升智能诊断系统性能的瓶颈。
传统超参数优化方法如网格搜索和随机搜索在复杂空间中效率低下，且易陷入局部最优。元启发式算法因其群体协作搜索机制和全局优化能力被广泛应用于超参数优化任务，但现有算法仍存在全局探索能力不足、收敛速度慢、稳定性差等问题。为此，马来西亚大学研究团队在《Scientific Reports》发表论文，提出了一种新型并行酶作用优化器（PEAO），为乳腺癌诊断中的超参数优化难题提供了创新解决方案。
研究团队主要采用了三种关键技术方法：首先通过并行策略将种群划分为多个子群进行独立空间搜索；其次设计多策略通信机制（最优替换、最优均值替换和循环最优替换）增强信息共享；最后引入Lévy飞行策略避免局部最优。算法性能在CEC2017基准函数上得到验证，并应用于BiLSTM网络超参数优化，使用BCWD和WBC两个公开乳腺癌数据集进行验证。
3.1 并行通信策略
PEAO采用虚拟并行策略，将候选解分为多个独立组，每组独立执行搜索策略。当达到通信阈值（每10次迭代）时，通过随机选择三种通信策略之一进行组间信息交换：最优替换策略用全局最优解替换各组最差解；最优均值替换策略用各组最优解均值更新最差解；循环最优替换策略实现组间最优解的循环传递。这种动态交替使用的机制有效平衡了探索与开发过程。
3.2 PEAO数学模型
算法初始化阶段将N个底物（解）分为k组，每组规模为N/k的整数。位置更新过程中，每个底物通过自适应因子（AFt）控制扰动强度，生成两个候选位置：第一个候选位置利用正弦函数扰动（公式2）；第二个候选位置分别采用向量随机因子（公式4）和标量随机因子（公式7）计算，并保留较优解。Lévy飞行步长通过μ和v两个正态分布随机数生成（公式6），其中β=1.5。最终通过竞争选择机制确定新一代解（公式8-9）。
3.4 敏感性分析
通过CEC2022测试函数评估分组数k的影响，发现k=2或4时算法在大多数函数上表现最优。过大的k值（如8或10）会降低局部搜索能力，导致性能波动增大。例如在混合函数F6上，k=2时均值为1.8019E+03，而k=10时升至1.8188E+03，标准差也从1.8042E+00增至1.1809E+01，证实适度分组对保持算法稳定性的重要性。
3.5 消融分析
通过对比PEAO-P（仅并行策略）、PEAO-L（仅Lévy飞行）、PEAO-PM（并行+多策略通信）和PEAO-PL（并行+Lévy飞行）等变体，发现完整PEAO在CEC2022测试中表现最优。特别是在F1、F5和F9函数上标准差为零，表明三组件协同作用能有效平衡全局探索与局部开发，避免性能波动。
4.3 性能实验结果
在CEC2017的30个测试函数上，PEAO在24个函数上获得最优解（Best），在21个函数上取得最佳均值（Mean）。在单峰函数F1-F3上，PEAO与EAO均能达到理论最优值；在多峰函数F6上，PEAO标准差仅8.4444E-14，远低于HLOA的1.9600E+01；在复合函数F26上，PEAO均值为2.9000E+03且标准差接近零，而WOA均值为3.4201E+03且标准差达5.1318E+02，凸显PEAO在复杂搜索空间中的稳定性。
5.3 分类应用结果
在BCWD数据集上，PEAO优化的BiLSTM超参数组合（NumHiddenUnits=240, MaxEpochs=200, MiniBatchSize=155）使模型准确率达99.12%，精确率100%，召回率97.62%，F1-score 98.80%，均优于对比算法。在WBC数据集上，PEAO-BiLSTM同样以98.56%的准确率领先，较未优化BiLSTM（94.74%）提升显著。实验表明，PEAO能有效平衡模型复杂度与训练效率，避免过拟合风险。
本研究通过系统性的算法设计和实验验证，证实PEAO在超参数优化任务中具有显著优势。其创新性在于将酶催化反应的生物机制转化为优化算法算子，通过并行架构和智能通信策略实现高效全局搜索。该研究不仅为乳腺癌分类提供了新的技术手段，也为其他医学影像分析任务的模型优化提供了可借鉴的框架。未来研究方向包括扩展多目标优化版本、结合可解释人工智能（XAI）技术提升临床接受度，以及应用于更广泛的医疗诊断场景。
