COVID-19凝血指标的进化机器学习和增强脑风暴优化分析

沙特国王大学学报使用进化机器学习和增强的脑风暴优化从凝血指标的角度分析COVID-19严重程度施蓓蓓a，b，华业c，阿里·阿斯加尔·海达里d，1，郑龙c，胡忠义d，陈慧玲d，e，陈晓，Hamza Turabiehf，Majdi Mafarjag，Peiliang Wuh，a江苏省镇江市电力路8号江苏大学附属人民b泰国曼谷10220克尔克大学国际学院公共卫生系c温州医科大学附属乐清医院呼吸与危重症医学科，浙江乐清325600d温州大学计算机科学与人工智能学院，浙江温州325035e温州大学大数据与信息技术研究所，浙江温州325035fTaif大学计算机和信息技术学院信息技术系，P.O. Box 11099，Taif 21944，沙特阿拉伯gBirzeit大学计算机科学系，P.O. Box 14，西岸，巴勒斯坦h温州医科大学第一附属医院肺与危重症医学科，浙江温州325000阿提奇莱因福奥文章历史记录：2021年7月11日收到2021年9月14日修订2021年9月18日接受2021年10月1日网上发售保留字：2019冠状病毒病凝血指数支持向量机算法Harris Hawks优化A B S T R A C T2019冠状病毒（COVID-19）是一种极端急性呼吸道综合征。无法对COVID-19进行早期诊断和准确评估，导致治疗无效。本研究设计了一个有效的智能框架，从凝血指标的角度对COVID-19严重程度进行早期识别和区分。该框架提出了一个增强的新的随机优化，脑风暴优化算法（EBSO），与进化机器学习算法EBSO-SVM。在EBSO算法中加入Harris Hawks优化（HHO），保证了算法的快速收敛性和较低的局部停滞风险，并通过23个基准测试验证了其性能。然后，利用EBSO同时对支持向量机（SVM）进行参数优化和特征选择，并使用COVID-19临床数据，根据凝血指标对COVID-19严重程度进行EBSO-SVM的分类与其他现有的最先进的方法相比，EBSO-SVM在本文中仍然表现出明显的优势，在多个指标。统计结果表明，所提出的EBSO-SVM显示出对所有指标的预测特性和更高的稳定性，这可以被视为从凝血角度分析COVID-19严重程度的计算机辅助技术。版权所有©2021作者。由爱思唯尔公司出版代表沙特国王大学这是一个开放的访问CC BY-NC-ND许可证下的文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍2019年12月，一种严重的冠状病毒首先在中国武汉出现，后来在短时间内迅速蔓延到全球（Li et al.，2020年; Hu等人，2021年; Li等人，2021; Singh等人， 2020年）。2020年1月30日，世界卫生组织*通讯作者。电子邮件地址：shibeibei1993zjfph@163.com（B.施先生154671045@qq.comYe），aliasghar68@gmail.com（A.A.Heidari），7270684@qq.com（L.Zheng），huzhongyi@wzu.edu.cn（Z.gmail.com（H.Chen），pl_163.com（P. Wu）.第1页https://aliasgharheidari.com世卫组织宣布，新型冠状病毒爆发为国际关注的突发公共卫生事件（PHIC）（世界卫生组织，2020年）。根据世界卫生组织的建议，新型冠状病毒于二零二零年二月被命名为冠状病毒病（COVID-19）（世界卫生组织，二零二零年）。截至2020年5月23日，全球共有5，103，006例COVID-19确诊病例，其中333，401例死亡病例（世界卫生组织，2020年）。尽管世界各国政府都付出了巨大的努力，但仍然缺乏有效的策略来控制疾病的传播。COVID-19患者人数不断增加可能导致医疗资源短缺，并增加医务人员的工作量一旦医院的医疗能力超负荷，可能会增加新冠病毒的风险-https://doi.org/10.1016/j.jksuci.2021.09.0191319-1578/©2021作者。由爱思唯尔公司出版代表沙特国王大学这是一个在CC BY-NC-ND许可证下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表沙特国王大学学报杂志首页：www.sciencedirect.comB. Shi，H.Ye，Ali Asghar Heidari etal.沙特国王大学学报487519例患者死亡。最近的一项研究发现，如果新型冠状病毒得不到有效控制，它可能会在短时间内使整个医疗保健系统崩溃（Pourhomayoun和Shakibi，2020）。因此，迫切需要开发一种新的预测模型，用于早期识别并对COVID-19的严重程度进行分类。建立有效的预测模型，可以帮助医疗机构判断患者是否需要优先关注、患者是否具有更高的住院优先权、患者是否能够得到更高水平的监测和治疗，从而合理有效地配置医疗资源，减轻医疗负担。近年来，机器学习和优化方法（或它们的混合）在医学领域已经变得非常关键（Jordan和Mitchell，2015; Rajkomar等人，2019年）的报告。用于诊断不同疾病的机器学习方法被广泛使用，预测模型的创建有助于临床决策，并确定了与疾病相关的重要风险因素（Obermeyer和Emanuel，2016; Bhagyashree等人，2018年）。优化不仅是电子医疗系统开发的根本思想，也是滚动轴承故障诊断等领域的根本思想（Deng，2020; Zhao等人，2019），调度问题（Pang et al.，2018年; Zhou等人，2018），破产预测（蔡等人，2019年; Yu等人，2021; Zhang等人， 2020），风速预测（Chen等人，2019）、图像分割（Zhao等人，2020年;Zhao等人，2020），工程设计问题（Ba等人，2020;Gupta等人，2019年; Liang等人，2020; Zhang等人， 2020年）。这些随机搜索方法的探索和利用能力在处理医学数据分类中可以发挥重要作用（Lufeng等人，2017年;Huang等人，2019年; Li等人，2018年; Zhao等人，2019）、PID优 化 控 制 （ Zeng 等 人 ， 2015; Zeng 等 人 ， 2014; Zeng 等 人 ，2019）、特征选择（Huet al.，2021年; Li等人，2017年; Liu等人，2015; Zhang等人，2020;Zhang等人，2020），硬最大可满足性 问题 （ Zenget al. ， 2011 年 ; Zeng 等 人， 2012 ） 、 参数 优 化（Heidari等人，2019 年; Shen 等人，2016; Wang and Chen ，2020; Wang例如，2017），门资源分配（邓等人，2020; Deng等人，2020）、棉花中外来纤维的检测（Zhao等人，2015; Zhao等人，2014），以及教育关注中的预测案例（Lin et al.，2019; Jixia等人，2019年; Wei等人，2020年;魏例如，2017; Zhu等人，2020年）。特别是，机器学习技术可能有助于提高诊断质量，减少放射科医生，解剖病理学家的工作量，以及疾病诊断的准确性（Obermeyer和Emanuel，2016），以最大限度地减少错误和漏诊发生率。机器学习技术现在已经成为临床工作中的重要在COVID-19爆发期间，机器学习方法被开发并用于识别、跟踪和管理COVID-19、COVID-19疫情。 近年来，人工智能（AI）的使用在生命科学的许多领域都很流行（De-Kuang Hwang等，2019年; Alam等人，2019年）的报告。例如，在眼科学领域，AI已经达到了区分疾病的专家水平（Kermany et al.，2018年）。AI可以帮助放射科医生定性诊断放射学中的良性和恶性甲状腺结节（Wang et al.， 2019年）的报告。 随着人工智能的快速发展，人工智能机器学习技术已被广泛用于疾病诊断;预测模型已被创建以支持医疗领域的临床决策，并迅速建立了与疾病相关的关键因素（Obermeyer和Emanuel，2016;Bhagyashree等人，2018年; Lee等人， 2014年）。因此，基于机器学习的AI技术在计算技术中的医疗领域越来越重要。基于机器的AI技术也已用于疾病诊断（Albahri et al.，2020年）。计算机断层扫描 （ CT ） 或 X 射 线 图 像 识 别 （ Kang 等 人 ， 2020; Albahli ，2021），疾病流行病、监测和控制（Yang等人，2020年; Zheng等人，于2019冠状病毒病爆发期间（二零二零年）。通过使用经典和集成机器学习算法，Khanday等人。（2020）将文本临床报告分为四组。采用频率项/逆文档频率（TF/IDF）、词袋和报告长度进行效应设计。使用词频/逆文档长度。这些特征已被用于分类常规和集成机器。Booth等人（2021）使用机器学习设计了一个COVID-19感染死亡率的预后模型。Prakash等人（2020）使用机器学习算法分析、预测及评估新型冠状病毒数据集。Erraissi and Banane（2020）使用机器学习模型预测COVID-19感染的病例数量，结果显示使用所提出的方法后有可能实现更好的分数预测。许多文献表明，机器学习算法在解决新冠肺炎相关问题方面显示出巨大潜力。本研究首先从凝血指标的角度开发，这是一种用于诊断COVID-19的进化SVM然而，在支持向量机中，惩罚因子C和c值会改变学习过程的精度和效率，并且对这些值很两个核心运营商都采用这种提出的 方 法 （ EBSO-SVM ） 来 改 进 和 重 新 建 立 头 脑 风 暴 优 化 算 法（BSO）（Shi，2011）的搜索能力，该算法从Harris hawks优化中抽象出来，可以确保局部停滞的实质性收敛和弹簧潜力尽管如此，已经设计了大量的进化算法，例如帝王蝶优化（MBO）（Wang等人，2019）、黏菌算法（SMA）（Li等人，2020）、蛾搜索算法（MSA）（Wang，2018）和Harris Hawks优化（HHO）（算法和应用，2019）。典型的BSO汇集了一组具有各种背景，专业知识，和技能来找到解决问题的方法。由于在优化过程中采样样本的有效学习和利用及其易于实现。EBSO算法在23个基准上进行了验证，其中包括7个单峰基准函数、6个多峰基准函数和10个固定维多峰基准函数。最后，COVID-19临床数据与凝血指标一起用于EBSO-SVM和基于其他优化算法的其他通过对实验结果的评价验证了EBSO核心补偿，不同的性能评价指标可以从凝血指标的角度建立一个强大的EBSO-SVM来确定COVID-19状态实验结果表明，EBSO-SVM的提出似乎是有益的。本研究的主要贡献如下：这两 个核 心运 营商 利用 这个 机会 改进 了来 自 Harris HawksOptimization的头脑风暴优化算法EBSO所提出的EBSO算法进行了验证，由7个单峰基准函数，6个多峰基准函数，和10个固定尺寸的多峰基准函数的23个基准。EBSO算法成功地解决了支持向量机参数优化有效的EBSO-SVM技术用于从凝血指标角度辅助COVID-19诊断。这篇论文是按下一个顺序编排的.第2段报告了材料和工艺所提出的EBSO算法在第3节中定义。第4节描述了拟议●●●●B. Shi，H.Ye，Ali Asghar Heidari etal.沙特国王大学学报4876Xð Þ ðÞEBSO-SVM模型第5节描述了测试的设计。EBSO-SVM对COVID-19数据集模拟的结果在第6节中描述，EBSO对23个基准的结果也在本节中展示。第7节讨论了研究结果。第八部分是结论和未来的发展方向2. 材料和方法2.1. 数据收集本研究的被试来自温州农村的回顾性研究。温州医科大学附属乐清医院伦理委员会（批件号：202000002）同意本研究。于2020年1月21日至3月20日期间，从温州医科大学附属乐清医院共招募了51名年龄在18至93岁之间的参与者。收集每个参与者的以下一般临床信息：性别、年龄和凝血功能指标。使用自动血液凝固分析仪（Sysmex CA-7000分析仪，神户，日本）测量凝固功能。在我们的研究中，COVID-19的诊断是根据中华人民共和国国家卫生委员会发布的标准进行和指导的。诊断COVID-19的病原学标准至少为以下之一：（i）通过鼻咽拭子、痰液或粪便样本的实时逆转录酶-聚合酶链反应（RT-PCR）阳性证实为严重急性呼吸综合征冠状病毒2（SARS-CoV-2）;（ii）对病毒基因组进行测序，该病毒基因组与SARS-CoV-2的基因组高度同源。根据临床特征，COVID-19患者分为四类：轻度、一般、重度和危重患者。具有以下特征的轻度患者：（i）患者没有症状或症状轻微;（ii）患者没有肺部受累。具有以下特征的一般患者：（i）COVID-19患者的临床表现为发热、干咳、肥胖、鼻塞、流鼻涕、肌痛、咽喉痛、腹泻等;（ii）肺部受SARS-CoV-2影响。至少具有以下特征之一的重度患者：（i）患者存在呼吸困难且呼吸频率（RR）大于30次/min;（ii）患者血液氧饱和下限患者氧合指数（动脉分压的氧到分数启发氧气）下面300 mmHg（1 mmHg = 0.133 kPa）。危重患者，至少有以下一项具有以下特点：（i）患者因急性呼吸衰竭需要插管和机械通气;（ii）患者出现休克;（iii）患者出现多器官衰竭。入院时，根据新型冠状病毒肺炎诊断和治疗指南的第六次修订试验版本（El-Solh et al.，2020; Cheung等人，2021年）。符合以下任一标准的病例定义为重度病例：（1）RR大于30次/min;（2）患者血氧饱和度低于93%;（3）患者氧合指数低于300mmHg;（4）需要机械通气的呼吸衰竭、感染性休克和/或多器官功能障碍患者。总之，根据临床症状和临床指南，确诊的COVID-19病例进一步分为两类：轻度和一般病例被归类为非重度组，重度和危重病例被归类为重度组（Szklanna et al.，2021;Suvarna等人， 2021年）。2.1.1. 统计分析使用SPSS第21版（IBM，Somers，NY，USA）进行统计分析。凝血功能的差异指示-通过独立样本t检验分析非严重COVID-19和严重COVID-19组之间的变量和年龄。数据表示为平均标准差（×SD）。认为P值小于0.05（P<0.05）具有显著性。共使用9个参数，如表1所示。统计分析的详细描述见表2。2.2. 支持向量机（SVM）SVM是基于风险预防的一些数学概念和VC维思想开发的最常用的机器学习模型。在该模型中，我们打算在减少训练域中输出信号的误差和优化裕度之间达到一个很好的折衷，以获得最佳的泛化能力并防止过拟合问题。在某些情况下，使用SVM（Shen等人，2016年; Chen等人，2011年; Chen等人，2014年），特别是处理一些小样本数据集，因为它有足够的速度和良好的分类精度。当我们设定一个合适的w和b进行测试时，SVM模型能够根据利用率来区分未确定的样本的超平面与可接受的分类率。支持向量机也可以解决非线性分类问题，如果我们在建模过程中应用基于核的方法。concern的非线性特征建模如下：ngxsgnai yiKxi;xb11/1其中K x;xi是核函数，K x;xi是高斯核。欲了解更多细节，读者可以参考沈等人的工作。（2016年）。在支持向量机中，惩罚因子C和核函数的cC可以告诉我们SVM可以推广多少。 c可以告诉我们模型拟合的程度。2.3. 头脑风暴优化（BSO）头脑风暴优化算法（Brain Storm Optimization，BSO）出现于2011年（Shi，2011）。这是一个很有前途的早期群体智能算法。此外，它侧重于人类的集体行动，即头脑风暴。物种形成是一个自然选择过程，即种群被分化为个体物种。BSO解决方案也分为许多集群。新的解决方案是基于一个或两个粒子的突变。基本BSO算法概念简单，易于编程实现。该算法主要包括四个步骤：聚类、聚类、新粒子生成和选择。随机生成n个潜在解（粒子），并对这n个粒子进行评价，通过聚类模型将n个粒子聚类成m个簇，然后随机选择一个或两个簇生成新的粒子，最后执行选择操作。BSO的详细过程可以在算法1中看到表1本研究中使用的特征及其定义列表号特征缩写F1性别性别F2年龄年龄F3凝血酶原时间PTF4国际标准化比值INRF5凝血酶原活动度PTAF6蛋白原FIBF7活化部分凝血活酶时间aPTTF8凝血酶时间TTF9D-dimerD-DB. Shi，H.Ye，Ali Asghar Heidari etal.沙特国王大学学报4877ð¼Þ.Σ×..t1X- -X-r<0：5;N1/1;C1a×sin一2a2不表2重症组与非重症组凝血功能指标临床参数比较。指数非重度（n = 30）重度（n = 21）p值年龄（岁）42. 300 ± 11. 530 61.43 ±17. 64 0. 000PT（s）13.030 ± 0.780 14.930 ±3.050 0.011电话：+86-0511 - 8888888传真：+86-0511 - 8888888PTA（%）95.880 ± 7.350 88.280 ±8.400 0.001纤维蛋白原（g/l）4.170 ± 0.870 4.970 ±1.650 0.053APTT（s）38.480 ± 4.310 43.650 ±8.780 0.019TT（s）16.210 ± 0.740 16.520 ±0.820 0.171应用程序，2019年）。鹰是自然界最聪明的鸟类之一首先，老鹰在一些邻近的地方寻找兔子（熊），然后猎杀兔子（受害者）。兔子还通过追求不同的方法来展示逃跑行为，从而增加了它们的生存机会。典型的HHO模仿这些追逐-逃逸行为和反应，以确定单个目标优化问题的最佳答案。HHO的主体部分由勘探阶段、过渡阶段和开发阶段组成。为了探索搜索区域，搜索算法在数学上表示如下：X¼（Xrand;t-r1. Xrand;t-2 r2Xt.r5P 0：5ð2Þn是种群大小，T是最大迭代次数兔m;t3 4 5Xb是当前最佳位置，f值是当前最佳适应值，Xi i1; 2;.N为总体，p1和p2为预定概率.算法1：原始BSO的伪代码其中， Xt和 Xt 1分别是tandt 1的搜索代理向量， Xrabbit;t是目标猎物rabbit的位置， r1、 r2、 r3、 r4和 r5都是随机值的区间（0，1），lbandub是选择X变量的下限和上限，Xrand;t表示所选群鹰的随机位置，; t是t次迭代的平均群状态，平均鹰条件确定为X mt¼ 1 PN X it. 兔子信息为E R¼ 2 E0 1-t ，其中ER象征着兔子能量，E0是其强度的初始状态，T是最大值用于传统HHO停止标准的迭代次数，作为过渡阶段。开发阶段由软包围和渐进式快速俯冲组成。据推测，鹰派可能会用下面的公式来评估他们的下一步，进行软围攻：Y¼X兔;t-ER家兔Z¼YR×LFD4其中D表示问题维度，R表示随机1D大小向量，并且LF是通过levy-flight分布的随机向量，并且可以如下确定：.pa！1LF;r¼2JUJC1a ×a×2a-1a其中u1，u2表示随机区间值（0，1），a固定为1.5作为常数。与珠三角的硬包围，这一战略模式的机制利用如下：Xt1Y如果FYFXtaI¼i4i;n0axa<<：kxi-axi-a

下载后可阅读完整内容，剩余1页未读，立即下载