基于改进和声搜索与 BPNN 的混合加权模糊产生式规则提取：提升临床决策支持系统效能

《Scientific Reports》：Hybrid weighted fuzzy production rule extraction utilizing modified harmony search and BPNN

为解决临床决策支持系统（CDSSs）中加权模糊产生式规则（WFPRs）提取准确性及相关问题，研究人员开展了结合动态维度调整和声搜索（DDA-HS）算法与反向传播神经网络（BPNNs）的研究。结果表明该方法能提高分类准确性，对构建可靠且可解释的 CDSSs 意义重大。

　　在医疗领域，临床决策支持系统（Clinical Decision Support Systems，CDSSs）就像是医生的 “智慧助手”，能帮助他们做出更准确的诊断和治疗决策。传统的基于知识驱动的 CDSSs，依赖专家定义的规则和临床证据，就如同按照固定的菜谱做菜，虽然有章可循，但面对复杂多变的病情，这些规则可能无法灵活应对。而数据驱动的 CDSSs 利用机器学习等技术从大量数据中挖掘信息，可又像是在茫茫数据海洋中捞针，容易迷失方向。

加权模糊产生式规则（Weighted Fuzzy Production Rules，WFPRs）的出现，为解决这些问题带来了新希望。它就像给 CDSSs 装上了 “智能滤镜”，能更细腻地处理医学知识中的不确定性，在糖尿病诊断等方面展现出了良好的效果。然而，要准确地提取这些规则并不容易。反向传播神经网络（Back Propagation Neural Networks，BPNNs）虽有学习复杂关系的能力，却对初始权重设置极为敏感，就像一个挑剔的食客，初始 “食材” 稍有偏差，最终 “菜品” 质量就会受影响。

为了攻克这些难题，来自马来西亚理工大学（Universiti Teknologi Malaysia）和吉首大学的研究人员展开了深入研究。他们提出了一种结合动态维度调整和声搜索（Dynamic Dimension Adjustment Harmony Search，DDA-HS）算法与 BPNNs 的综合方法。

研究人员在研究中用到了几个关键技术方法。首先是 DDA-HS 算法，它通过对标准和声搜索（Harmony Search，HS）进行马尔可夫分析，发现 HS 在高维空间优化时容易陷入局部最优解的问题，于是引入动态维度调整机制，根据适应度景观调整优化维度，提升搜索效率。其次是 BPNNs，它被用于提取 WFPRs，在训练过程中，通过 DDA-HS 算法优化初始权重，提高模型性能。此外，研究使用了 PIMA 数据集，该数据集包含 768 条记录，8 个特征属性和一个二元分类标签，经过数据导入与格式化、模糊 k - 均值聚类、聚类中心更新、距离计算与成员更新、标签的独热编码等预处理步骤后用于后续研究。

下面来看具体的研究结果：

1. 收敛性能：通过对比 DDA-HS 与其他算法（HS、布谷鸟搜索（Cuckoo Search，CS）、自适应全局最优和声搜索（Adaptive Global Optimal Harmony Search，AGOHS）、和声搜索与布谷鸟搜索结合算法（Harmony Search with Cuckoo Search，HSCS））的收敛曲线，发现 DDA-HS 收敛速度更快，最终适应度值更低。这表明 DDA-HS 能更好地平衡搜索过程中的探索与利用，快速找到高质量的解决方案。
2. 分类准确性：在 BPNN 分类中，DDA-HS 优化的模型测试准确率达到 74.48%，超过了 HS、CS 和 AGOHS，且训练准确率为 78.30%，有效避免了过拟合；在 WFPRs 分类中，DDA-HS 优化的 BPNN 模型训练准确率为 79.51%，测试准确率为 77.08% ，同样表现出色。这说明 DDA-HS 在优化模型性能和提高泛化能力方面效果显著。
3. 生成 WFPRs：从加权矩阵中成功提取出了 WFPRs，例如针对糖尿病（Class 1）和非糖尿病（Class 2）分别生成了 8 条规则（共 16 条）。这些规则以 “IF - THEN” 的形式呈现，清晰地展示了输入特征与糖尿病分类之间的关系，如 “IF 葡萄糖（Glucose）是高（High）[Weight: 8.1] AND 体重指数（BMI）是高（High）[Weight: 8.55] AND 糖尿病家族遗传函数（Diabetes Pedigree Function）不是低（Low）[Weight: 2.89]，THEN Class 1（Diabetic）” ，有助于医生理解模型决策过程，提高临床决策的透明度和可靠性。

研究结论和讨论部分指出，从传统的 IF - THEN 规则到 WFPRs 是 CDSSs 发展的重要进步，WFPRs 结合模糊逻辑和规则加权，更符合临床实际情况，能提升诊断准确性和可靠性。DDA-HS 在优化 BPNN 和提取 WFPRs 方面表现出色，在训练性能和泛化能力之间取得了良好平衡，增强了模型的可解释性。这一研究成果为 CDSSs 的发展提供了更可靠的技术支持，有助于提高医疗诊断的准确性，改善患者的治疗效果。但研究也存在一定局限性，未来研究可进一步拓展到更大更复杂的数据集，如 MIMIC - III 或 eICU，探索自适应超参数调整等策略，提高算法在不同医疗场景下的性能和泛化能力。