基于海象粒子群混合优化算法的乳腺癌分类模型研究及其在医学影像诊断中的应用

《Scientific Reports》：Classification of breast cancer using hybridization version of walrus and particle swarm optimization algorithm

本文针对乳腺癌早期诊断准确率提升的临床需求，提出了一种新型混合优化算法WPS（Walrus Particle Swarm Optimization），该算法融合了海象优化器（WO）的协同开发策略与粒子群优化（PSO）的全局搜索能力，用于优化卷积神经网络（CNN）超参数。研究在CEC-2017基准函数和乳腺癌影像数据集（CBIS-DDSM/MIAS）上的实验表明，WPS-CNN-SP模型在CBIS-DDSM上达到AUC=98.28%、准确率98.99%，在MIAS上达到AUC=99.76%、准确率98.99%，显著优于现有算法，为计算机辅助诊断系统提供了高效可靠的优化工具。

　　

乳腺癌是全球女性癌症相关死亡的第二大原因，早期准确诊断对改善患者预后至关重要。然而，乳腺X线影像中病变的精确分类面临诸多挑战：传统计算机辅助诊断（CAD）系统在图像特征提取（ICE）方面缺乏适应性；深度学习模型虽在医学影像领域展现出潜力，但其性能高度依赖于卷积神经网络（CNN）中超参数（HP）的调优，而传统网格搜索方法因计算复杂度高难以适用；此外，单一优化算法在解决复杂优化问题时，常存在收敛速度慢、易陷入局部最优、探索与开发失衡等问题。

为此，来自旁遮普大学、安巴拉工程与应用研究学院等机构的研究团队在《Scientific Reports》发表论文，提出了一种新型混合海象粒子群优化（WPS）算法。该算法将海象优化器（WO）的协同开发策略与粒子群优化（PSO）的全局搜索能力相结合，旨在优化CNN架构的超参数，进而提升乳腺癌影像分类的准确性和效率。

研究人员为开展此项研究，主要应用了以下几项关键技术：首先，提出了混合海象粒子群优化（WPS）算法，该算法通过引入PSO的粒子速度概念来增强WO的位置更新策略，以改善收敛性和多样性。其次，构建了基于卷积神经网络与熟练度交换（CNN-SP）的分类框架，并利用迁移学习（TL）技术，以预训练的ResNet50模型作为特征提取主干网络。研究使用了两个公开的乳腺X线影像数据集——乳腺影像学会迷你数据库（MIAS）和乳腺影像数字数据库的精选子集（CBIS-DDSM）进行模型训练与测试。此外，研究还采用了数据增强技术（如剪切、缩放、平移、旋转等）来扩充训练样本，并利用CEC 2017基准测试函数集对WPS算法的优化性能进行了系统评估。

研究结果主要从算法性能评估和乳腺癌分类应用两个方面展开：

5. 结果分析与讨论

研究人员首先在29个CEC-2017基准函数上验证了WPS算法的优化性能。数值实验表明，WPS在单峰、多峰、混合和复合函数上均能一致地找到接近最优的解，其平均解（μ）和标准差（s.d.）结果均优于对比算法（MFO, SCA, CDO, WO），证明了其在探索（全局搜索）和开发（局部精细搜索）之间具有良好的平衡能力。Wilcoxon符号秩检验结果（p值均小于0.05）进一步证实了WPS算法性能的显著优越性。在计算复杂度方面，WPS在多数测试函数上耗时最短，显示出更高的计算效率。

6. 基于WPS的乳腺癌分类模型

研究构建了名为CM-WPS的乳腺癌分类系统。该系统利用WPS算法自动优化CNN的关键超参数，包括学习率、批处理大小、丢弃率（Dropout rate）以及前三个全连接层的单元数。这一过程旨在克服手动调参的盲目性和耗时问题，提升模型性能。

7. 乳腺癌结果分析与讨论

在CBIS-DDSM数据集上，WPS-CNN-SP模型取得了AUC为98.28%，准确率为98.99%的分类结果，其F1分数、精确度、特异性和敏感性分别为97.92%、98.97%、98.89%和97.56%。与近期提出的ICDO、IMPA等模型相比，WPS在各项指标上均有提升（例如准确率提升0.32%）。在MIAS数据集上，WPS模型的表现更为突出，达到了AUC 99.76%和准确率98.99%的高水平，其F1分数、精确度、特异性和敏感性也均优于对比模型。与文献中其他基于深度学习的方法相比，WPS-CNN-SP在两项基准数据集上的综合分类性能达到了领先水平。

结论与展望

本研究成功开发并验证了一种混合海象粒子群优化（WPS）算法及其在乳腺癌影像分类中的应用框架。理论分析和实验结果表明，WPS算法通过有效融合WO和PSO的优势，显著改善了优化过程的收敛速度、求解精度和稳定性。将其应用于CNN超参数调优，所构建的WPS-CNN-SP模型在CBIS-DDSM和MIAS两个权威乳腺X线影像数据集上均实现了优异的分类性能，证明了该模型在计算机辅助乳腺癌筛查系统中的实用价值和潜力。

该研究的主要意义在于：其一，WPS算法为解决复杂优化问题提供了一种新的高效工具；其二，所提出的自动化超参数优化框架降低了深度学习在医学影像分析中的应用门槛；其三，研究成果为乳腺癌的早期精准诊断提供了有力的技术支撑。未来工作可探索将WPS模型应用于其他类型的医学影像分析任务，并进一步研究其在大规模临床环境中的部署和验证。