מסגרת רב‑אסטרטגית לשיפור אלגוריתם הוקי האריס לבעיות אופטימיזציה גלובלית

ציידים חכמים בעזרת נתונים

בתי חולים מודרניים אוספים כמות עצומה של מידע על כל מטופל — מבדיקות דם וסריקות ועד קריאות חיישנים ושאלונים. בתוך כל אותם מדדים חבויים דפוסים שיכולים לעזור לרופאים לזהות מחלות מוקדם יותר ולבחור טיפולים טובים יותר. אבל כאשר יש הרבה מאוד מדדים ביחס למספר המטופלים, מודלים ממוחשבים מסורתיים עלולים לבלבל ולהיתפס לרעש במקום לאותות אמיתיים. מאמר זה מציג גישה חדשה שמסייעת לאלגוריתמים לסנן מאגרי נתונים רפואיים ענקיים ולמצוא קבוצה קטנה ומהימנה של רמזים שעדיין חוזה מחלה בדיוק גבוה.

למה יותר מידיעות יכול להזיק

מאגרי נתונים רפואיים של היום יכולים להכיל עשרות או אף אלפי מדידות לכל אדם, בעוד שמספר המטופלים נשאר קטן יחסית. חוסר האיזון הזה גורם למודלים הממוחשבים להיות פגיעים ל״התאמה-יתר״, שבה הם נראים מצוינים על נתוני העבר אך נכשלו על מטופלים חדשים. תרופה חזקה לכך היא בחירת תכונות: במקום להזין לכל המודל כל ערך מעבדה ומדידת סריקה, האלגוריתם תחילה מחפש סט קומפקטי של התכונות המידעיות ביותר. כלי אבחון המתבסס על מספר מצומצם של ביו‑סמנים מרכזיים אינו רק קל יותר לאימון ומהיר יותר להרצה — הוא גם שקוף יותר לרופאים, שיכולים להבין מדוע התקבלה החלטה.

השראה מעורבים בצייד

כדי לבחור את תת‑הקבוצה האידיאלית הזו, המחברים בונים על טכניקה בהשראת הטבע בשם אופטימיזציית הוקי האריס. במטפורה זו כל תת‑קבוצה אפשרית של תכונות היא "סננה" עבור הוק, והחיפוש אחר תת‑הקבוצה הטובה ביותר מדמה ציד מתואם של טרף בשטח אפשרויות. אלגוריתם הוקי האריס הסטנדרטי טוב בסריקה רחבה ואז בהתכנסות לאזורים מבטיחים, אך עדיין עלול להיתפס במעגל סביב גבעה מטעה — פתרון שנראה טוב מקומית אך אינו באמת מיטבי. עיכובים כאלה יקרים במיוחד ברפואה, שבה כל פתרון ניסיוני חייב להיבחן באמצעות אימון ובחינת מסווג, שלב שדורש זמן רב.

שלוש תחבולות חדשות לעדר

המאמר מציע מסגרת מתוקנת, שכינוייה MHHO, שמעניקה להוקים הוירטואליים שלוש אסטרטגיות חדשות. ראשית, צעד הסננה בהנחיית המנהיג מניע את ההוקים החוקרים לשים לב יותר לפתרון הטוב העכשווי במקום לשוטט באקראיות אחרי עמיתים, וכך מסייע לחיפוש להגיע לאזורים מבטיחים מהר יותר. שנית, גורם הטעייה אדפטיבי צופה סימני תקיעות; כאשר זה קורה, הוא מחזק זמנית את גודל הקפיצות האקראיות של ההוקים כדי שיוכלו לקפוץ החוצה ממלכודות מקומיות, ואז מרכך את הקפיצות שוב ברגע שמתרחשת שיפור לצורך כיוונון עדין. שלישית, אסטרטגיית התקפה היררכית משנה את אופן המכה הסופית: במקום שכל הוק יצלול ישר לאותו נקודה, כל אחד מקבל הנחיה מהוק "מנטור" מעט טוב יותר, ניגש למטרה מזוויות שונות ומונע מהעדר להצטופף בצפיפות רבה מדי מוקדם מדי.

בדיקה על חידות מתמטיות ומטופלים אמיתיים

כדי לבדוק האם ההתנהגויות החדשות באמת מסייעות, המחברים ערכו שתי מערכות בדיקה מרכזיות. בראשונה, MHHO והשיטה המקורית פתרו 23 בעיות תקן מתמטיות שמשמשות באופן נרחב לאתגר אלגוריתמי אופטימיזציה. MHHO השיג תוצאות טובות יותר ברובן, התכנס מהר יותר ובדיוק גבוה יותר לערך הטוב האמיתי, אם כי עם זמן חישוב גבוה במעט. בקמפיין השני השתמש הצוות ב‑MHHO ככלי לבחירת תכונות על 15 מאגרי נתונים רפואיים זמינים בפומבי, כולל סרטן השד, מחלות לב, הפרעות בבלוטת התריס, מחלת פרקינסון ורטינופתיה סוכרתית. בכל ניסוי, מסווג SVM (מכונת וקטורים תומכת) העריך עד כמה תת‑קבוצה נתונה של תכונות יכולה להבחין בין בריא לחולה (או בין קטגוריות אבחון שונות).

מבחנים פחותים, תשובות ברורות יותר

במגוון מקרי המבחן הרפואיים הללו, MHHO בדרך כלל מצא קבוצות תכונות קטנות מאוד — לעתים רק מדידה או שתיים — שהניבו דיוק סיווג שווה או גבוה יותר בהשוואה לשיטה המקורית. כמו כן הוא הפיק פתרונות יציבים יותר: הרצות חוזרות נטו לבחור תתי‑קבוצות דומות ולהשיג דיוקים דומים, תכונה חשובה כאשר רופאים ורגולטורים דורשים נתינות חוזרת. בדיקות סטטיסטיות איששו שכל אחת מהאסטרטגיות המתווספות תרמה שיפורים משמעותיים, ושיחד הן הציעו איזון טוב בין דיוק לבין נדירות התכונות. במונחים מעשיים, משמעות הדבר היא שכלי אבחון עתידיים עשויים להיבנות על לוח בדיקות דל של מבחנים מועילים מאוד, וכתוצאה להפחית עלות ומורכבות תוך שמירה על אמינות.

מה זה אומר למטופלים ולמטפלים

לא מומחים, המסר העיקרי הוא ש״אסטרטגיות חיפוש״ משופרות בתוך מערכות למידת מכונה יכולות להפוך את הבינה המלאכותית הרפואית לחכמה ופשוטה יותר בו‑זמנית. על ידי תיאום הוקים וירטואליים שחוקרים, נמלטים ממלכודות ומחדדים את מטרתם באופן חכם, המסגרת המוצעת מסייעת למחשבים להתמקד בכמה המדידות החשובות ביותר. אף שהשיטה עדיין דורשת אימות נוסף מעבר לרפואה ומוסיפה עומס חישובי מסוים, היא ממחישה כיצד תכנון זהיר של אופטימיזציה יכול לקדם אותנו לעבר מודלים אבחוניים מדויקים, יציבים וקלים יותר להבנה ולאימוץ על ידי קלינאים.

ציטוט: Al-Adwan, S., Abdullah, S., Alweshah, M. et al. A multi-strategy framework for enhancing Harris hawks optimization for global optimization problems. Sci Rep 16, 10614 (2026). https://doi.org/10.1038/s41598-026-45741-5

מילות מפתח: בחירת תכונות, אבחון רפואי, אופטימיזציה מטהיוריסטית, אלגוריתם הוקי האריס, נתונים ממדיים גבוהים