Küresel optimizasyon problemleri için Harris şahini optimizasyonunu geliştiren çoklu strateji çerçevesi

Veriyle Daha Akıllı Avlar

Modern hastaneler her hastaya ait çok geniş bir bilgi yelpazesi toplar—kan testleri ve görüntülerden sensör okumalarına ve anketlere kadar. Bu ölçümler içinde gizli kalmış desenler, doktorların hastalıkları daha erken yakalamasına ve daha iyi tedaviler seçmesine yardımcı olabilir. Ancak ölçüm sayısı hasta sayısından çok daha fazla olduğunda, geleneksel bilgisayar modelleri karışabilir ve gerçek sinyaller yerine gürültüye takılabilir. Bu makale, algoritmaların büyük tıbbi veri kümelerini süzmesine yardımcı olarak hastalığı hâlâ doğru şekilde tahmin eden küçük, güvenilir bir ipucu seti bulmalarını sağlayan yeni bir yaklaşım sunuyor.

Neden Çok Fazla Bilgi Zararlı Olabilir

Günümüzde tıbbi veri kümeleri kişi başına onlarca hatta binlerce ölçümü içerebilir, oysa hasta sayısı nispeten az kalır. Bu dengesizlik, modellerin geçmiş veride mükemmel görünüp yeni hastalarda başarısız olduğu “aşırı uyum” (overfitting) sorununa yol açar. Etkili bir çözüm, özellik seçimi yapmaktır: modele her laboratuvar değeri ve görüntü ölçümünü vermek yerine, bir algoritma önce en bilgilendirici özelliklerin kompakt bir alt kümesini arar. Bir teşhis aracı birkaç önemli biyobelirtece dayanıyorsa, yalnızca eğitimi ve çalıştırılması daha kolay olmakla kalmaz; aynı zamanda kararın neden alındığını değerlendirebilen klinisyenler için daha şeffaftır.

Av Halindeki Şahinlerden İlham

Bu ideal özellik alt kümesini seçmek için yazarlar, Harris Şahinleri Optimizasyonu adındaki doğadan esinlenen tekniği temel alıyor. Bu metaforda her olası özellik alt kümesi bir şahinin “konma yeri”dir ve en iyi alt kümeyi arama, olasılıklar manzarasında koordineli bir avlanmayı taklit eder. Standart Harris Şahinleri Optimizasyonu genişçe dolaşmada ve ardından ümit vadeden bölgelere yaklaşmada iyidir, ancak yine de aldatıcı bir tepe etrafında dönerek takılıp kalabilir—yerel olarak iyi görünen ama gerçekten en iyi olmayan bir çözüm. Bu duraklamalar tıp alanında özellikle maliyetlidir; çünkü her deneme çözümü, sınıflandırıcıyı eğitip test etmekle belirlenmelidir ki bu zaman alıcı bir adımdır.

Sürüye Üç Yeni Hile

Makale, sanal şahinlere üç yeni strateji kazandıran MHHO adını verdikleri değiştirilmiş bir çerçeve öneriyor. Birincisi, lider tarafından yönlendirilen bir konma adımı, keşif yapan şahinleri rastgele akranların peşinden körü körüne dolaşmak yerine mevcut en iyi çözüme daha fazla dikkat etmeleri için teşvik ederek aramanın ümit vadeden bölgelere daha hızlı ulaşmasına yardımcı olur. İkincisi, uyarlanabilir bir aldatma faktörü ilerlemenin durduğuna dair işaretleri izler; böyle bir durum olduğunda şahinlerin rastgele sıçrayışlarının büyüklüğünü geçici olarak artırır, böylece yerel tuzaklardan sıçrayıp çıkabilirler; ardından iyileşme yeniden başladığında bu sıçrayışları yine ince ayar için yumuşatır. Üçüncüsü, hiyerarşik bir saldırı stratejisi son hamleyi değiştirir: her şahin aynı noktaya doğrudan dalmak yerine, biraz daha iyi bir “mentör” şahinden rehberlik alır, hedefe birden çok açıdan yaklaşır ve sürünün çok erken aşamalarda aşırı sıkışmasını engeller.

Matematik Bulmacaları ve Gerçek Hastalar Üzerinde Test

Bu yeni davranışların gerçekten yardımcı olup olmadığını görmek için yazarlar iki büyük test kampanyası yürüttüler. İlkinde, MHHO ve orijinal yöntem, optimizasyon algoritmalarını zorlamak için yaygın olarak kullanılan 23 standart matematiksel kıyas problemiyle karşılaştı. MHHO çoğunda daha iyi sonuçlar elde etti, gerçek en iyi değere daha hızlı ve daha hassas şekilde yakınsadığını gösterdi, ancak hesaplama süresinde bir miktar artış söz konusuydu. İkinci kampanyada ekip, MHHO’yu özellik seçici olarak meme kanseri, kalp hastalığı, tiroid bozuklukları, Parkinson hastalığı ve diyabetik retinopati dahil olmak üzere 15 açık erişimli tıbbi veri kümesinde kullandı. Her denemede, bir destek vektör makinesi sınıflandırıcısı, verilen özellik alt kümesinin sağlıklı ile hasta (ya da birden çok tanı kategorisi arasındaki) ayrımı ne kadar iyi yapabildiğini değerlendirdi.

Daha Az Test, Daha Net Yanıtlar

Bu tıbbi vaka çalışmalarında MHHO genellikle çok küçük özellik setleri—çoğunlukla yalnızca bir veya iki ölçüm—buldu; bunlar orijinal yaklaşımla karşılaştırıldığında eşit veya daha yüksek sınıflandırma doğruluğu sağladı. Ayrıca daha kararlı çözümler üretti: tekrarlanan çalıştırmalar benzer alt kümeleri seçme ve benzer doğruluğa ulaşma eğilimindeydi; bu, doktorların ve düzenleyicilerin tekrarlanabilirlik talep ettiği durumlarda önemli bir özelliktir. İstatistiksel testler, eklenen üç stratejinin her birinin anlamlı iyileştirmelere katkıda bulunduğunu ve birlikte doğruluk ile seyrelme (sadelik) arasında elverişli bir denge sunduğunu doğruladı. Pratikte bu, gelecekteki tanı araçlarının yüksek bilgi taşıyan testlerden oluşan sade bir panel üzerine kurulabileceği, maliyeti ve karmaşıklığı azaltırken güvenilir kalacağı anlamına gelir.

Hastalar ve Uygulayıcılar İçin Anlamı

Uzman olmayanlar için temel mesaj şudur: makine öğrenimi sistemleri içindeki daha iyi “arama stratejileri” tıbbi yapay zekâyı aynı anda hem daha akıllı hem de daha basit hale getirebilir. Keşfeden, tuzaklardan kaçan ve hedefini akıllıca rafine eden sanal şahinleri koordine ederek önerilen çerçeve, bilgisayarların en çok önem taşıyan birkaç ölçüme odaklanmasına yardımcı olur. Yöntem hâlâ tıp dışındaki alanlarda daha fazla doğrulama gerektiriyor ve biraz hesaplama maliyeti ekliyor olsa da, dikkatle tasarlanmış optimizasyonun bizi doğruluklu, kararlı ve klinisyenlerin anlaması ile benimsemesi daha kolay teşhis modellerine yaklaştırabileceğini gösteriyor.

Atıf: 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

Anahtar kelimeler: özellik seçimi, tıbbi tanı, meta-sezgisel optimizasyon, Harris şahini algoritması, yüksek boyutlu veri