SGA 驱动的特征选择与随机森林分类：提升乳腺癌诊断的创新方案

《Scientific Reports》：SGA-Driven feature selection and random forest classification for enhanced breast cancer diagnosis: A comparative study

为解决乳腺癌基因表达数据高维、冗余导致的分类难题，研究人员开展 SGA 驱动的特征选择与随机森林（RF）分类的乳腺癌诊断研究。结果显示，SGA - RF 组合以 22 个基因实现 99.01% 的最高平均准确率，优于其他方法，对临床诊断意义重大。

　　乳腺癌严重威胁着全球女性的健康，如同隐藏在黑暗中的 “杀手”，悄无声息地夺走无数生命。早期诊断和准确分类是对抗乳腺癌的关键，但目前面临诸多挑战。一方面，基因表达数据集包含大量冗余和无关特征，就像在茫茫大海中捞针，难以确定关键生物标志物，不仅增加了分类难度，还可能导致模型过拟合，影响诊断准确性；另一方面，传统的特征选择和分类方法在处理高维数据时力不从心，如统计测试、主成分分析（PCA）等，无法有效平衡相关性和冗余性，而更先进的方法，像包装法和嵌入式方法，虽然性能有所提升，但计算复杂度高，在实际应用中困难重重。

在这样的背景下，VIT Bhopal University 等多个机构的研究人员开展了一项旨在提升乳腺癌诊断水平的研究。他们提出将海鸥优化算法（Seagull Optimization Algorithm，SGA）用于特征选择，与随机森林（Random Forest，RF）分类器相结合的新方法。该研究成果发表在《Scientific Reports》上。

研究人员为开展此项研究，主要运用了以下关键技术方法：首先是数据处理技术，对来自公开生物信息库的乳腺癌基因表达数据集进行预处理，包括处理缺失值、归一化特征、去除异常值等；然后利用 SGA 进行特征选择，通过模拟海鸥的自然行为在高维数据中筛选出关键基因；最后使用 RF 分类器进行分类，并与其他常用分类器如支持向量机（SVM）、K 近邻（KNN）和逻辑回归（LR）进行对比分析 。

研究结果如下：

1. SGA - RF 组合性能优异：通过实验，SGA - RF 组合在不同数量的选定基因下均表现出色。当选择 22 个基因时，其平均准确率达到 99.01%，在所有实验中最高。随着选定基因数量的变化，分类准确率呈现出一定的趋势，在一定范围内，准确率随着基因数量增加而提高，但过多的基因可能导致过拟合或冗余，使准确率下降 。
2. 性能指标表现良好：从混淆矩阵、精确召回曲线（Precision - Recall curve）和接收者操作特征曲线（Receiver Operating Characteristic curve，ROC）等评估指标来看，SGA - RF 组合在敏感性、特异性、精确率、召回率和 F1 分数等方面都有出色表现。例如，在 22 个基因的情况下，模型能够准确识别阳性病例，且误判率较低。
3. 优于其他分类器：与 SVM、KNN 和 LR 等基线模型相比，SGA - RF 组合在分类准确率上有显著提升，且差异具有统计学意义（p<0.05） 。在不同的实验中，RF 分类器的平均准确率始终较高，展现出其在乳腺癌分类中的优势 。

研究结论和讨论部分表明，该研究成功证明了 SGA 与 RF 相结合用于乳腺癌分类的有效性。SGA 能够高效地从高维数据中识别出最相关的基因特征，在提高分类准确率的同时降低了计算复杂度。这一方法不仅在理论上取得了突破，还具有重要的临床应用价值，能帮助医生更准确地诊断乳腺癌，为患者制定更精准的治疗方案，推动精准医学的发展。此外，研究还为未来的研究指明了方向，如结合多模态数据进一步提升模型性能，虽然面临数据异质性、计算效率等挑战，但有望为乳腺癌的诊断和治疗带来新的突破。