En flerstrategisk ram för att förbättra Harris Hawks Optimization för globala optimeringsproblem

Smartare jakter genom data

Moderna sjukhus samlar in enorma mängder information om varje patient — från blodprov och avbildningar till sensoravläsningar och frågeformulär. Dolda i alla dessa mätvärden finns mönster som kan hjälpa läkare att upptäcka sjukdomar tidigare och välja bättre behandlingar. Men när det finns långt fler mätvärden än patienter kan traditionella datorbaserade modeller bli förvirrade och haka upp sig på brus i stället för verkliga signaler. Denna artikel presenterar ett nytt sätt att hjälpa algoritmer att sålla i stora medicinska datamängder för att hitta en liten, pålitlig uppsättning ledtrådar som ändå förutsäger sjukdom på ett tillförlitligt sätt.

Varför för mycket information kan skada

Medicinska dataset idag kan innehålla tiotals eller till och med tusentals mätningar per person, medan antalet patienter förblir relativt litet. Denna obalans gör att datoriserade modeller blir benägna att överanpassa, där de ser ut att vara briljanta på historiska data men misslyckas på nya patienter. Ett kraftfullt botemedel är funktionsurval: i stället för att mata modellen med varje laboratorievärde och avbildningsmått söker en algoritm först efter en kompakt uppsättning av de mest informativa funktionerna. Ett diagnostiskt verktyg som bygger på en handfull viktiga biomarkörer är inte bara lättare att träna och snabbare att köra, det är också mer transparent för kliniker som kan resonera kring varför ett beslut fattades.

Inspirerade av hökar på jakt

För att välja den ideala delmängden funktioner bygger författarna vidare på en naturinspirerad teknik kallad Harris Hawks Optimization. I denna metafor är varje möjlig funktionsmängd en "perch" för en hök, och sökandet efter den bästa delmängden efterliknar en koordinerad jakt på byte över ett landskap av möjligheter. Standardversionen av Harris Hawks Optimization är bra på att röra sig vida omkring för att sedan inrikta sig på lovande regioner, men den kan ändå fastna i att cirkulera kring en vilseledande kulle — en lösning som ser bra ut lokalt men inte är verkligen bäst. Dessa fastlåsningar är särskilt kostsamma inom medicin, där varje provlösning måste bedömas genom att träna och testa en klassificerare, ett tidskrävande steg.

Tre nya knep för flocken

Artikeln föreslår en modifierad ram, döpt MHHO, som ger de virtuella hökarna tre nya strategier. För det första skjuter ett ledarledd perching-steg upp utforskande hökar att i större utsträckning uppmärksamma den nuvarande bästa lösningen i stället för att vandra blint efter slumpmässiga kamrater, vilket hjälper sökningen att nå lovande regioner snabbare. För det andra övervakar en adaptiv deception-faktor tecken på att framstegen stannat av; när det händer förstärker den tillfälligt storleken på hökarnas slumpmässiga språng så att de kan hoppa ur lokala fällor, och mildrar sedan dessa språng när förbättringen återupptas för finslipning. För det tredje ändrar en hierarkisk attackstrategi hur slutstöten utförs: i stället för att varje hök dyker rakt mot samma punkt tar varje hök vägledning från en något bättre "mentor"-hök, närmar sig målet från flera vinklar och förhindrar att hela flocken klumpar sig för tätt för tidigt.

Testning på matematiska pussel och riktiga patienter

För att avgöra om dessa nya beteenden faktiskt hjälper genomförde författarna två större testkampanjer. I den första ställdes MHHO och den ursprungliga metoden mot 23 standardiserade matematiska benchmarkproblem som ofta används för att utmana optimeringsalgoritmer. MHHO uppnådde bättre resultat på de flesta av dem, konvergerade snabbare och mer precist mot det verkliga bästa värdet, om än med något högre beräkningstid. I den andra kampanjen använde teamet MHHO som funktionsväljare på 15 offentligt tillgängliga medicinska dataset, inklusive bröstcancer, hjärtsjukdom, sköldkörtelstörningar, Parkinsons sjukdom och diabetisk retinopati. För varje försök utvärderade en supportvektormaskin hur väl en given funktionsdelmängd kunde skilja mellan frisk och sjuk (eller mellan flera diagnoskategorier).

Färre tester, klarare svar

I dessa medicinska fallstudier fann MHHO typiskt mycket små uppsättningar av funktioner — ofta bara en eller två mätningar — som gav lika hög eller högre klassificeringsnoggrannhet jämfört med den ursprungliga metoden. Den producerade också mer stabila lösningar: upprepade körningar tenderade att välja liknande delmängder och nå liknande noggrannhet, en viktig egenskap när läkare och tillsynsmyndigheter kräver reproducerbarhet. Statistiska tester bekräftade att var och en av de tre tillagda strategierna bidrog med meningsfulla förbättringar, och att de tillsammans erbjöd en gynnsam balans mellan noggrannhet och sparsitet. I praktiska termer innebär detta att framtida diagnostiska verktyg skulle kunna byggas på en slank panel av höginformatativa tester, vilket minskar kostnad och komplexitet samtidigt som de förblir pålitliga.

Vad detta innebär för patienter och utövare

För icke-specialister är huvudbudskapet att bättre "sökstrategier" inne i maskininlärningssystem kan göra medicinsk AI både smartare och enklare samtidigt. Genom att samordna virtuella hökar som utforskar, undviker fällor och förfinar sitt sikte på ett intelligent sätt hjälper den föreslagna ramen datorer att fokusera på de få mätningar som betyder mest. Även om metoden fortfarande kräver mer validering utöver medicin och innebär en viss beräkningsöverhuvudtagning, visar den hur noggrant utformad optimering kan föra oss närmare diagnostiska modeller som är precisa, stabila och lättare för kliniker att förstå och använda.

Citering: 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

Nyckelord: funktionsurval, medicinsk diagnos, metaheuristisk optimering, Harris hawks-algoritm, högdimensionella data