基于Cuckoo搜索算法和遗传算法的改进型模糊联合互信息在慢性肾病预测诊断中的应用

《Scientific Reports》：Enhanced fuzzy joint mutual information with Cuckoo Search Algorithm and genetic algorithm for diagnostics of chronic kidney disease prediction

　　

摘要

随着医疗保健领域中高维数据量的不断增加，尤其是在慢性肾病（CKD）的早期检测与治疗方面，高效的数据分析方法显得愈发重要。这类数据具有复杂的结构及多种特征，给CKD的准确诊断和治疗带来了更大挑战。要提升诊断准确性，就必须对这类复杂数据进行高效的分析处理。目前的医疗数据分析工具，如特征选择模型（FSM），在处理包含大量特征的历史数据时面临诸多难题。由于维度灾难带来的过拟合问题，传统方法构建的算法准确性会下降。此外，多种现代方法也无法有效应对医疗数据特征所具有的模糊性与不确定性，从而导致特征选择效果不佳以及分类精度下降。本研究提出了一种改进型的模糊联合互信息- cuckoo搜索算法-遗传算法（EFJMI?+?CSA-GA）结合特征选择模型的方法，以解决上述问题。该方法将EFJMI的模糊数据处理技术与cuckoo搜索算法-遗传算法的优化功能相结合。通过使用加利福尼亚大学提供的CKD数据集，该模型成功将特征集的大小减少了62%。临床测试结果表明，基于该模型推荐的循环神经网络分类器性能优异，其分类精度达99.71%，敏感度为99.81%，特异性为99.58%，表现与其他基于特征选择模型的分类器相当。