基于元启发式算法的高维数据混合特征选择与分类模型用于脑癌诊断

为何更智能的脑肿瘤检测至关重要

脑肿瘤是致死率较高的癌症之一，但医生在快速且准确地区分不同肿瘤类型方面仍面临挑战。传统实验室检测往往耗时，而基于基因的现代检测会产生海量数据：每位患者含有数万个基因测量值。本研究提出了一种基于计算的方法，从这些基因噪声中筛选出一小组关键基因，帮助将高危肿瘤与侵袭性较低的病例区分开来，旨在支持更精确的诊断并最终改进治疗决策。

将基因海洋化为可用线索

研究人员使用了一个公开的脑癌数据集，包含130个患者样本，每个样本测量了超过54,000个基因。这类高维数据具有强大信息量但也很棘手：基因测量数量远多于患者数，且许多基因是无关或冗余的。如果直接将这些数据输入学习算法，可能会产生误导性模式并在新患者上表现不佳。核心挑战是只保留最具信息量的基因，同时舍弃其余基因而不丢失重要的生物学信号。

两步法寻找最具判别力的基因

为了解决这一问题，团队设计了一个混合特征选择流程。第一步，一个快速的统计过滤器“最小冗余最大相关”（mRMR）扫描所有基因，保留那些与脑癌显著相关且彼此差异较大的基因，从而将基因列表从数万条迅速缩减到更可管理的规模。第二步，一种受猛禽捕猎行为启发的搜索方法——哈里斯鹰优化（Harris Hawks Optimization）将每个可能的基因子集视为候选解并迭代“猎取”能提供最佳分类结果的组合。两个阶段结合将原始的54,676个基因缩减到仅50个，但仍捕捉到疾病的核心特征。

教机器画出更清晰的诊断界线

在确定了紧凑的基因集合后，作者训练了若干机器学习模型来区分五类脑癌，以及更广义上区分恶性组织与低危组织。一个关键模型——支持向量机（SVM）依赖于几项强烈影响其行为的参数调节。团队没有通过反复试错来调整这些参数，而是采用了三种优化策略——粒子群优化、差分进化和哈里斯鹰优化——系统性地搜索最佳设置。他们通过严格的重复交叉验证以及引导重采样（bootstrap）和学习曲线分析等额外检验来评估性能，确保模型并非仅记忆这一小型数据集。

系统的表现及基因的生物学意义

在混合基因选择与参数优化的帮助下，支持向量机在脑癌数据上的准确率约为96%，明显优于诸如决策树等更传统的方法。该方法还将基因数量从五万多降至50个，同时保持甚至提升了预测性能。被选中的许多基因已知参与细胞生长、DNA修复、血管生成或脑肿瘤中的免疫反应，为计算选择提供了生物学可信度。这意味着该模型不仅在分类上表现良好，还能指引研究人员关注值得在实验室进一步验证的潜在生物标志物。

这对患者可能意味着什么

简而言之，研究表明可以将庞大的基因数据压缩为一组小而有意义的基因“签名”，以高可靠性区分不同的脑肿瘤类型。尽管该工作基于相对较小的患者群体，仍需在更大、更具多样性的人群中验证，但它为更快速的基因型诊断工具指明了方向——既准确又可解释。如果经过验证并整合到临床流程中，这类工具可为医生在选择治疗方案时提供更有力的证据，并帮助科学家聚焦于最可能影响脑癌发生、发展及对治疗反应的少量基因。

引用: Manhrawy, I.I.M., Fathi, H., Alsekait, D.M. et al. Hybrid feature selection and classification model using high-dimensional data based on a metaheuristic algorithm for brain cancer diagnosis. Sci Rep 16, 11909 (2026). https://doi.org/10.1038/s41598-026-41573-5

关键词: 脑癌诊断, 基因表达, 特征选择, 机器学习, 生物标志物