整合机器学习与人工神经网络用于分数阶吸烟诱发肺癌模型的动态分析

《Scientific Reports》：Integrating machine learning and artificial neural networks for dynamic analysis of a fractional order smoking-induced lungs cancer model

　　

摘要

本研究引入了一种分数阶框架，用于模拟吸烟行为的进展及其与癌症发生的关系。人群被划分为七个仓室：易感者、暴露者、慢性携带者、未干预的主动吸烟者、治疗中的吸烟者、确诊癌症者以及康复者。通过采用 Caputo 分数阶导数，该模型固有地捕捉了记忆效应，反映了累积的吸烟暴露和延迟的癌症进展。严格的理论分析确立了解的正性、有界性、存在性和唯一性，确保了生物学的合理性。使用下一代矩阵推导了基本再生数 \(\mathcal {R}_0\)，平衡态和稳定性分析确定了疾病持续或消除的阈值。系统通过 Adams–Bashforth–Moulton 方案进行数值求解。此外，基于 Levenberg-Marquardt 反向传播神经网络开发了一个代理模型，以估计每个仓室的行为。应用了包括支持向量机和随机森林分类器在内的机器学习工具，以评估代理模型的性能。分数微积分、动力系统理论和神经网络逼近的这种组合，说明了使用混合计算策略分析吸烟与癌症相互作用的可能性。