DOI: https://doi.org/10.1038/s41598-025-33202-4
PMID: https://pubmed.ncbi.nlm.nih.gov/41530311
تاريخ النشر: 2026-01-13
المؤلف: Haonan Li وآخرون
الموضوع الرئيسي: أبحاث خوارزميات التحسين الميتاهيرستية
نظرة عامة
يستمر سرطان الثدي في كونه سببًا مهمًا للوفيات بين النساء في جميع أنحاء العالم، مما يستلزم التشخيص المبكر والتصنيف الدقيق لتحسين نتائج العلاج. تقدم هذه الدراسة مُحسّن عمل الإنزيمات المتوازية (PEAO)، وهو خوارزمية جديدة مصممة لتحسين المعلمات الفائقة لشبكة الذاكرة طويلة وقصيرة المدى ثنائية الاتجاه (BiLSTM) في تشخيص سرطان الثدي. يتضمن PEAO ثلاثة آليات مبتكرة: استراتيجية متوازية لتحسين الاستكشاف العالمي، وآلية تواصل متعددة الاستراتيجيات لتسهيل تبادل المعلومات الفعال بين المجموعات الفرعية، واستراتيجية طيران ليفي لتقليل مخاطر الأمثل المحلي. تشير النتائج التجريبية على مجموعة بيانات تشخيص سرطان الثدي في ويسكونسن (BCWD) ومجموعة بيانات سرطان الثدي في ويسكونسن (WBC) إلى أن نموذج PEAO-BiLSTM يتفوق بشكل كبير على الخوارزميات الميتا-heuristic الحالية وطرق تحسين المعلمات الفائقة من حيث دقة التصنيف، والدقة، والاسترجاع، ودرجة F1.
تؤكد النتائج على أهمية تكوين المعلمات الفائقة في المهام التشخيصية الطبية، حيث تكافح الطرق التقليدية غالبًا مع الكفاءة والتحسين العالمي. يعزز PEAO تحسين المعلمات الفائقة من خلال استخدام بحث متوازي عبر المجموعات الفرعية، والتبديل الديناميكي بين استراتيجيات الاتصال لتحسين تبادل المعلومات، واستخدام طيران ليفي للاستكشاف الفعال. تؤكد تحليلات الحساسية والإزالة أن هذه الاستراتيجيات تعزز بشكل جماعي أداء الخوارزمية. في اختبارات المعايير، أظهر PEAO متانة فائقة، محققًا أفضل النتائج في 24 من أصل 30 وظيفة مقارنة بتسعة خوارزميات ميتا-heuristic شائعة. أدى تطبيق PEAO لضبط المعلمات الفائقة الرئيسية لنموذج BiLSTM على مجموعات بيانات سرطان الثدي إلى تحسينات كبيرة في الأداء التشخيصي، مما يثبت فائدته العملية في الذكاء الطبي. بشكل عام، تكمن نقاط قوة PEAO في قدراته القوية على البحث العالمي، واستقرار التقارب العالي، وتجنب الأمثل المحلي بشكل فعال، مما يجعله أداة قيمة لدعم القرار السريري في تشخيص سرطان الثدي.
مقدمة
تسلط مقدمة ورقة البحث الضوء على الزيادة في حالات سرطان الثدي، خاصة بين النساء الأصغر سنًا، وتؤكد على أهمية الكشف المبكر والتصنيف الدقيق لتحسين نتائج المرضى. لقد عزز تقدم الذكاء الاصطناعي (AI) وتقنيات التعلم الآلي (ML) بشكل كبير أدوات التشخيص في تحليل الصور الطبية، خاصة لتصنيف سرطان الثدي. تناقش الورقة تطوير نماذج تصنيف عالية الأداء تستخدم ضبط المعلمات الفائقة لنماذج مدربة مسبقًا على ImageNet، مما يظهر دقة وتعميم متفوقين على مجموعات بيانات مثل BreaKHis وIDC وUCSB مقارنة بالنماذج التقليدية مثل VGG-16 وGoogleNet وResNet.
بالإضافة إلى ذلك، تستعرض المقدمة أساليب مختلفة لتشخيص سرطان الثدي، بما في ذلك نموذج MTRRE-Net المقترح من قبل Chattopadhyay وآخرين، الذي يعالج مشاكل تلاشي التدرجات ويحسن التعلم من خلال استخراج الميزات متعددة المقاييس. حقق هذا النموذج دقة تصنيف عالية عبر مستويات تكبير مختلفة. كما قدم Alshayeji وآخرون نموذج شبكة عصبية اصطناعية ضحلة حقق دقة وحساسية ملحوظتين في تصنيف الحالات الحميدة والخبيثة باستخدام مجموعات بيانات WBCD وWDBC. على الرغم من نجاحات هذه النماذج، تؤكد المقدمة على الدور الحاسم لتكوين المعلمات الفائقة في تحديد أداء التصنيف، مشيرة إلى أن تحسين هذه المعلمات لا يزال يمثل تحديًا كبيرًا في تعزيز أنظمة تشخيص سرطان الثدي.
طرق
في هذا القسم، يوضح المؤلفون إعداد التجربة والنتائج لتقييم خوارزمية تحسين الأداء المعزز (PEAO) مقابل تسعة خوارزميات ميتا-heuristic راسخة، بما في ذلك مُحسّن عمل الإنزيمات (EAO) وخوارزمية تحسين الحوت (WOA). شملت التحليل المقارن ما مجموعه 50 فردًا على مدى 1000 تكرار، مع تحديد الحدود العليا والسفلى عند -100 و100، على التوالي. تشير النتائج، المعروضة في الجدول 6، إلى أن PEAO تفوقت على الخوارزميات الأخرى من حيث التقارب، والاستقرار، والقدرة على التكيف عبر معظم الوظائف الـ 30 المختبرة، محققة أفضل قيم “أفضل” في 24 وظيفة و”متوسط” في 21 وظيفة. من الجدير بالذكر أن PEAO وصلت إلى القيمة المثلى النظرية لمقياس “أفضل” في 18 وظيفة، مما يبرز قدراتها القوية على البحث.
بالإضافة إلى ذلك، طبق المؤلفون PEAO لتحسين المعلمات الفائقة لنموذج الذاكرة طويلة وقصيرة المدى ثنائية الاتجاه (BiLSTM) في مهام تصنيف سرطان الثدي. تمت مقارنة المعلمات الفائقة المحسنة، بما في ذلك NumHiddenUnits وMaxEpochs وMiniBatchSize، عبر خوارزميات مختلفة، مما يكشف أن PEAO اختار تكوينات توازن بين سعة النموذج وكفاءة التدريب. على وجه التحديد، حدد PEAO 240 لـ NumHiddenUnits و200 لـ MaxEpochs، مما يشير إلى تفضيل للتعبير القوي للنموذج والتدريب الشامل. تم تقييم أداء نماذج BiLSTM، المحسنة باستخدام PEAO وخوارزميات أخرى، على مجموعة بيانات سرطان الثدي في ويسكونسن (WBC)، حيث حقق PEAO-BiLSTM أعلى مقاييس التصنيف: 98.56% دقة، 97.26% دقة، 98.61% استرجاع، و97.93% درجة F1، مما يوضح فعالية PEAO في تعزيز أداء النموذج من خلال تحسين المعلمات الفائقة.
مناقشة
في قسم المناقشة، يتم تقديم عدة أساليب مبتكرة لتحسين المعلمات الفائقة في التعلم العميق (DL) لكشف سرطان الثدي. قدم Yadav وKumar شبكة CNN كسرية (Frac-CNN) تستخدم دالة تنشيط من الدرجة الكسرية (Frac-ReLU) وتحسين سرب الجسيمات (PSO) لتحقيق دقة مثيرة للإعجاب تبلغ 99.35% على صور الماموجرام، متجاوزة طرق CNN التقليدية. طور Thirumalaisamy وآخرون إطار عمل EACO-ResNet101، الذي يدمج تحسين الميتا-heuristic مع التعلم الانتقالي، محققًا دقتين قدرهما 98.63% و99.15% على مجموعتين من بيانات سرطان الثدي. جمع Gonçalves وآخرون بين الخوارزميات الجينية (GA) وPSO لتحسين المعلمات الفائقة لـ CNN، مما أدى إلى تحسينات كبيرة في درجات F1 لمختلف النماذج المدربة مسبقًا. كما ساهم Shankar وآخرون وHamza وآخرون بأساليب تعالج حساسية المعلمات الفائقة والإفراط في التكيف، محققين دقتين قدرهما 98.61% و99.63%، على التوالي.
يختتم القسم بالتأكيد على إمكانيات الخوارزميات الميتا-heuristic في تعزيز أداء نماذج تصنيف سرطان الثدي. بينما تظهر هذه الأساليب فعالية متفوقة مقارنة بتقنيات البحث التقليدية، لا تزال التحديات قائمة، مثل الاستكشاف العالمي المحدود والقابلية للأمثل المحلي. تهدف مقدمة مُحسّن عمل الإنزيمات المتوازية (PEAO) إلى معالجة هذه القضايا من خلال استخدام استراتيجية متوازية وآلية تواصل متعددة الاستراتيجيات، مما يعزز متانة واستقرار تحسين المعلمات الفائقة في نماذج DL. بشكل عام، تؤكد النتائج على أهمية تطوير خوارزميات تحسين متقدمة لتحسين موثوقية وأداء أنظمة التشخيص الذكية في كشف سرطان الثدي.
DOI: https://doi.org/10.1038/s41598-025-33202-4
PMID: https://pubmed.ncbi.nlm.nih.gov/41530311
Publication Date: 2026-01-13
Author(s): Haonan Li et al.
Primary Topic: Metaheuristic Optimization Algorithms Research
Overview
Breast cancer continues to be a significant cause of mortality among women worldwide, necessitating early diagnosis and accurate classification to enhance treatment outcomes. This research presents the Parallel Enzyme Action Optimizer (PEAO), a novel algorithm designed to optimize hyperparameters for a Bidirectional Long Short-Term Memory (BiLSTM) network in breast cancer diagnosis. PEAO incorporates three innovative mechanisms: a parallel strategy for improved global exploration, a multi-strategy communication mechanism to facilitate effective information exchange among subpopulations, and the Lévy flight strategy to mitigate the risk of local optima. Experimental results on the Breast Cancer Wisconsin Diagnostic (BCWD) and Wisconsin Breast Cancer (WBC) datasets indicate that the PEAO-BiLSTM model significantly outperforms existing meta-heuristic algorithms and hyperparameter optimization methods in terms of classification accuracy, precision, recall, and F1-score.
The findings underscore the importance of hyperparameter configuration in medical diagnostic tasks, as traditional methods often struggle with efficiency and global optimization. PEAO enhances hyperparameter optimization by employing a parallel search across subpopulations, dynamically switching between communication strategies to optimize information sharing, and utilizing Lévy flights for effective exploration. Sensitivity and ablation analyses confirm that these strategies collectively enhance the algorithm’s performance. In benchmark tests, PEAO demonstrated superior robustness, achieving the best results in 24 out of 30 functions compared to nine mainstream meta-heuristic algorithms. The application of PEAO to tune key hyperparameters of the BiLSTM model on breast cancer datasets resulted in significant improvements in diagnostic performance, validating its practical utility in medical intelligence. Overall, PEAO’s strengths lie in its robust global search capabilities, high convergence stability, and effective avoidance of local optima, making it a valuable tool for clinical decision support in breast cancer diagnosis.
Introduction
The introduction of the research paper highlights the increasing incidence of breast cancer, particularly among younger women, and emphasizes the importance of early detection and accurate classification for improving patient outcomes. The advancement of artificial intelligence (AI) and machine learning (ML) technologies has significantly enhanced diagnostic tools in medical image analysis, particularly for breast cancer classification. The paper discusses the development of high-performance classification models that utilize hyperparameter tuning of ImageNet pre-trained models, demonstrating superior accuracy and generalization on datasets such as BreaKHis, IDC, and UCSB compared to traditional models like VGG-16, GoogleNet, and ResNet.
Additionally, the introduction reviews various approaches to breast cancer diagnosis, including the MTRRE-Net model proposed by Chattopadhyay et al., which addresses gradient vanishing issues and improves learning through multi-scale feature extraction. This model achieved high classification accuracy across different magnification levels. Alshayeji et al. also presented a shallow artificial neural network model that achieved remarkable accuracy and sensitivity in classifying benign and malignant cases using the WBCD and WDBC datasets. Despite the successes of these models, the introduction underscores the critical role of hyperparameter configuration in determining classification performance, noting that optimizing these parameters remains a significant challenge in enhancing breast cancer diagnostic systems.
Methods
In this section, the authors detail the experimental setup and results for evaluating the Performance Enhanced Algorithm Optimization (PEAO) against nine established metaheuristic algorithms, including the Enzyme Action Optimizer (EAO) and Whale Optimization Algorithm (WOA). The comparative analysis involved a total of 50 individuals over 1000 iterations, with upper and lower bounds set at -100 and 100, respectively. The results, presented in Table 6, indicate that PEAO outperformed the other algorithms in terms of convergence, stability, and adaptability across most of the 30 tested functions, achieving the best “Best” values on 24 functions and “Mean” values on 21 functions. Notably, PEAO reached the theoretical optimal value for the “Best” metric on 18 functions, underscoring its robust search capabilities.
Additionally, the authors applied PEAO to optimize hyperparameters for a Bi-directional Long Short-Term Memory (BiLSTM) model in breast cancer classification tasks. The optimized hyperparameters, including NumHiddenUnits, MaxEpochs, and MiniBatchSize, were compared across various algorithms, revealing that PEAO selected configurations that balanced model capacity and training efficiency. Specifically, PEAO identified 240 for NumHiddenUnits and 200 for MaxEpochs, indicating a preference for strong model expressiveness and thorough training. The performance of the BiLSTM models, optimized using PEAO and other algorithms, was evaluated on the Wisconsin Breast Cancer (WBC) dataset, with PEAO-BiLSTM achieving the highest classification metrics: 98.56% accuracy, 97.26% precision, 98.61% recall, and 97.93% F1-score, demonstrating the effectiveness of PEAO in enhancing model performance through hyperparameter optimization.
Discussion
In the discussion section, several innovative approaches to hyperparameter optimization in deep learning (DL) for breast cancer detection are presented. Yadav and Kumar introduced a Fractional CNN (Frac-CNN) that utilizes a fractional-order activation function (Frac-ReLU) and Particle Swarm Optimization (PSO) to achieve an impressive accuracy of 99.35% on mammography images, surpassing traditional CNN methods. Thirumalaisamy et al. developed the EACO-ResNet101 framework, which integrates meta-heuristic optimization with transfer learning, achieving accuracies of 98.63% and 99.15% on two breast cancer datasets. Gonçalves et al. combined Genetic Algorithms (GA) and PSO to optimize CNN hyperparameters, resulting in significant improvements in F1-scores for various pre-trained models. Shankar et al. and Hamza et al. also contributed methods that address hyperparameter sensitivity and overfitting, achieving accuracies of 98.61% and 99.63%, respectively.
The section concludes by emphasizing the potential of meta-heuristic algorithms in enhancing the performance of breast cancer classification models. While these methods demonstrate superior effectiveness compared to traditional search techniques, challenges remain, such as limited global exploration and susceptibility to local optima. The introduction of the Parallel Enzyme Action Optimizer (PEAO) aims to address these issues by employing a parallel strategy and a multi-strategy communication mechanism, enhancing the robustness and stability of hyperparameter optimization in DL models. Overall, the findings underscore the importance of developing advanced optimization algorithms to improve the reliability and performance of intelligent diagnostic systems in breast cancer detection.