基于仿生特征提取方法的机器学习分类器在微阵列基因白血病检测中的性能增强研究——综述

《Computer Methods in Biomechanics and Biomedical Engineering: Imaging & Visualization》：Enrichment of machine learning classifiers performance in detection of leukaemia from microarray genes through bio-inspired feature extraction methods – an overview

　　

白血病（leukaemia)的早期准确检测对于改善治疗结局至关重要；然而，从高维微阵列基因(microarray gene)数据中获得高诊断可靠性仍具挑战性。本研究通过系统的特征选择与分类器优化，探讨了优化机器学习框架在白血病分类中的应用。研究采用元启发式算法(metaheuristic algorithms)——包括鲸鱼优化算法(whale optimisation algorithm, WOA)、灰狼优化(Grey Wolf Optimisation, GWO)、粒子群优化(Particle Swarm Optimisation, PSO)和花授粉算法(Flower Pollination Algorithm, FPA)——进行基因子集提取，随后利用入侵杂草优化(Invasive Weed Optimisation, IWO)和声搜索(Harmonic Search, HS)进行特征选择。研究人员评估了多种分类器，包括K近邻(K-Nearest Neighbours, KNN)、决策树(Decision Tree)、朴素贝叶斯(Na?ve Bayes)、随机森林(Random Forest)，以及具有线性(linear)、多项式(polynomial)和径向基函数(radial basis function, RBF)核的支持向量机(Support Vector Machine, SVM)，使用准确率(Accuracy)、F1分数(F1 score)、马修斯相关系数(Matthews Correlation Coefficient, MCC)、错误率(Error Rate)、关键成功指数(Critical Success Index, CSI)、G均值(G-mean)和科恩卡帕系数(Cohen's Kappa)等指标。在所有评估组合中，PSO–HS–SVM(RBF)框架取得了最优性能。研究结果表明，基于优化的特征选择与非线性SVM分类器的协同集成显著增强了分类性能。这些结果凸显了优化机器学习方法在可靠白血病检测中的潜力，同时强调相关结论仅限于计算验证。

白血病作为起源于血液和骨髓的恶性肿瘤，其早期识别对患者预后和生存率具有决定性影响。急性白血病主要分为急性髓系白血病(acute myeloblastic leukaemia, AML)和急性淋巴细胞白血病(acute lymphoblastic leukaemia, ALL)两种亚型，传统诊断依赖全血细胞计数(complete blood count, CBC)、外周血涂片(peripheral blood smear, PBS)、骨髓穿刺活检、流式细胞术(flow cytometry)及细胞遗传学分析等方法。这些方法存在耗时较长、主观性强及易出错等局限。微阵列(microarray)基因技术能够全景式呈现基因表达模式，为白血病的早期检测和个体化治疗策略开辟了新途径，但高维微阵列数据带来的"维度灾难"(curse of dimensionality)问题严重制约了分类模型的构建与优化。

现有研究在白血病诊断与分类中缺乏将多种数据模态与机器学习方法、优化算法及特征选择技术相结合的综合集成模型。针对这一研究空白，研究人员开展了一项系统性计算研究，旨在通过仿生优化驱动的特征提取与选择，构建高性能的白血病分类框架。该研究发表于《Computer Methods in Biomechanics and Biomedical Engineering: Imaging》，其重要意义在于验证了元启发式优化与机器学习方法协同应用于高维基因组数据分类的可行性，为白血病等血液肿瘤的计算机辅助诊断提供了新的技术路径。

研究数据来源为公开在线数据库，包含25例AML样本和47例ALL样本，共计72例样本的微阵列基因表达数据。

在关键技术方法层面，研究人员采用双层预处理策略。第一层为特征提取(feature extraction)，运用四种仿生元启发式算法降低数据维度：鲸鱼优化算法(WOA)模拟座头鲸气泡网捕食行为，通过螺旋接近和随机搜索机制在D维搜索空间中优化特征子集；灰狼优化(GWO)借鉴灰狼社会等级和狩猎行为，由α、β、δ狼引导群体更新位置；粒子群优化(PSO)模拟鸟群或鱼群的协同运动，通过惯性权重w、加速常数c₁和c₂控制粒子向个体最优(pbest)和全局最优(gbest)位置收敛；花授粉算法(FPA)则基于 Levy 飞行全局授粉和局部授粉两种机制进行搜索。第二层为特征选择(feature selection)，采用入侵杂草优化(IWO)和声搜索(HS)两种元启发式算法，从提取的特征中筛选最具判别力的基因子集，以进一步提升分类效能并降低过拟合风险。分类阶段比较了KNN、决策树、朴素贝叶斯、随机森林及三种核函数的SVM分类器，采用10折交叉验证(10-fold cross-validation)评估模型性能，综合运用准确率、F1分数、MCC、错误率、CSI、G-mean和Kappa系数等多维度指标进行综合评价。

研究结果部分呈现如下：

统计特征分析：通过WOA、GWO、PSO和FPA进行特征提取后，研究人员对降维结果进行了统计分析。WOA-AML类表现出较高的平均值、均值和偏度；皮尔逊相关系数(Pearson Correlation Coefficient, PCC)显示同类内输出之间存在强相关性，而典型相关分析(Canonical Correlation Analysis, CCA)的低值则表明两类癌症降维结果间相关性较低。WOA对ALL类和AML类的正态概率图显示平均值约为0.2。GWO特征提取的频数分布图显示数据在6-7区间达到峰值。

特征选择方法统计检验：对IWO和HS两种特征选择方法进行Z检验和F检验。Z检验值在IWO和HS间存在差异，而F检验未显示降维微阵列数据具有显著特征，提示数据呈现非高斯、非线性的分布特性。

分类器性能比较（无特征选择）：在未经特征选择的情况下，GWO-SVM(RBF)表现最优，准确率达88.88%，F1分数为91.3%，MCC为0.760，错误率仅11.11%；WOA相关分类器中，KNN表现较差，准确率59.72%，错误率高达40.42%。FPA特征提取条件下，SVM(RBF)同样展现优势，而KNN和朴素贝叶斯表现欠佳。

分类器性能比较（IWO特征选择）：引入IWO特征选择后，WOA-SVM(RBF)准确率提升至91.66%，F1分数达93.4%，MCC为0.821，错误率降至8.33%。GWO-IWO与随机森林、SVM(RBF)组合分别取得91.67%和94.44%的准确率。

分类器性能比较（HS特征选择）：HS特征选择带来更显著的性能提升。WOA-HS-SVM(RBF)准确率达95.833%，F1分数96.77%，MCC为0.909；尤为突出的是，PSO-HS-SVM(RBF)框架取得98.61%的准确率、98.94%的F1分数、0.969的MCC、1.38%的错误率、97.92%的CSI、98.95%的G-mean和0.969的Kappa系数，为所有组合中的最优结果。FPA-HS在多模型上亦表现良好。

MCC与Kappa参数偏差分析：通过评估分类器在不同输入条件下MCC和Kappa值与其平均值的偏离程度，发现这些参数呈高度线性相关（回归方程y=1.012x-0.017，R²=0.992），进一步验证了分类器性能评估的一致性。

计算复杂度分析：研究采用大O符号(Big O notation)评估各方法的时间与空间需求。不同特征提取与特征选择组合的分类器具有不同的计算复杂度，方法选择需在计算效率与分类性能间寻求平衡。

与传统诊断方法及既往研究的比较：与CBC（准确率80%）、PBS（75%）、流式细胞术（90%）等传统方法相比，本研究框架展现出显著优势。与Jaime-Pérez等人的深度学习模型等既往研究相比，PSO+HS+SVM(RBF)组合在多项指标上表现优异。

研究讨论与结论方面，研究人员指出早期识别白血病至关重要，因其初期常呈无症状状态。本研究采用的双层预处理策略——即PSO特征提取结合HS特征选择，再辅以SVM(RBF)分类——实现了98.61%的惊人准确率。该方法通过系统性的维度缩减与特征优化，有效解决了高维微阵列数据的分类难题。未来研究将致力于通过非线性变换进一步提升PSO、HS和SVM(RBF)分类器的分类准确率，并整合更多自然启发的优化方法。同时，研究也坦率承认了现有局限性：样本量较小（72例）可能限制结果的泛化性；高维数据与元启发式优化结合存在过拟合风险；框架仅在微阵列数据上验证，未涉及其他基因组平台或多模态临床数据；混合优化策略增加了计算复杂度；所选基因子集的生物学意义未经验证。未来工作将着眼于更大规模、多中心数据集的验证，多组学与临床数据的整合，以及可解释人工智能(explainable AI)技术的引入，以增强模型的临床可解释性与实用价值。