文摘
人工智能(AI)是计算机科学领域,专注于发展的机器,像人类一样运转。在人工智能领域,医学疾病检测是一个立即增长领域的研究。在过去的几年中,许多努力了医学疾病检测的改进,因为医学疾病检测的错误和问题导致严重错误的治疗。Meta-heuristic技术经常用于医疗疾病的检测和承诺更好的感知精度和预测疾病的生物医学领域。粒子群优化(PSO)是一群智能随机搜索技术的内在的方式鼓励蜜蜂群在搜索他们的食物来源。因此,数值实验的多功能性,算法主要应用于解决最优化问题的不同类型。然而,经常采用的算法技术检测疾病但仍有差距的比较调查。本文提供了一个洞察医疗疾病的诊断在卫生保健使用各种算法的方法。本研究提出了提供一个系统的文献回顾当前的PSO方法知识发现领域的疾病检测。系统分析揭示算法策略的潜在研究领域以及研究空白,虽然,主要目标是提供增强和发展在这一领域未来发展的方向。 This paper gives a systematic survey of this conceptual model for the advanced research, which has been explored in the specified literature to date. This review comprehends the fundamental concepts, theoretical foundations, and conventional application fields. It is predicted that our study will be beneficial for the researchers to review the PSO algorithms in-depth for disease detection. Several challenges that can be undertaken to move the field forward are discussed according to the current state of the PSO strategies in health care.
1。介绍
计算智能医疗诊断疾病的应用近年来已成为一种新趋势。许多疾病诊断的方法可以作为智能分组数据分类任务。组的总数的连续分布,分类技术可以分为两类。第一个分类分布是二元分类(两级任务),这两个类之间的数据完全区别开来。第二个分类是智能化(多任务),区分数据超过两个类(1,2]。一些科学家和医学领域的研究人员已经尝试了不同的技术来提高数据分类的真实性(精度)。最近,最先进的禁忌搜索等算法,遗传算法(GA),蝙蝠算法(BA) (3)和算法,以及数据挖掘工具,利用决策树和神经网络在这一领域,这些方法有效果显著的4]。
不包括其他标准分类的复杂性,医学数据集的分类此外用于疾病检测。因此,医生或患者不仅要观察的分类结果进行评估,也熟悉症状已被用于分类的目的。线性规划(5)模型和神经网络(NN) [6,7)已经提出了解决这种类型的问题。然而,这种分类模型的决策方法是一个黑盒子,它没有提供任何解释相关的实现结果。同样,混合方法包含模糊规则的神经网络和GA处理黑盒技术所带来的问题,尽管如此,他们仍然无法识别的输入因素比其他人更合适。
许多研究人员在文献中使用PSO最先进的算法来解决这个问题通过嵌入各种其他方法如随机森林算法(8),再与PSO(邻居9,10)等。本研究的贡献是提供了一个全面系统的文献综述(SLR)算法及其变异的医学疾病的检测。这项研究的基础上进行一个特定的时间,的文章收集了从2010年到2020年。本研究的主要目的是给一个基线研究人员旨在研究的帮助下医疗疾病的检测算法及其改进的方法。同样,我们的工作提供了一个详细的讨论过去的文献,以及对这一领域的科学家描述了未来的发展方向。
这个单反的结构组织在以下方式:主要研究利用PSO对医疗相关疾病检测提出了部分2。单反的系统评价方法在部分说明3。部分4说明我们的研究的研究计划。节5,详细讨论本研究的执行计划。然而,部分6代表我们的工作的结果,而部分7提供这个单反的结论。
2。主要研究
诊断阿尔茨海默病(AD),介绍了一种新颖的方法(11]基于磁共振成像(MRI)图像预处理、主成分分析、特征提取和支持向量机(SVM)模型。优化支持向量机的参数小说切换延迟介绍了粒子群优化(SDPSO)。介绍SDPSO-SVM方法成功测试ADNI数据集上的分类广告。6日介绍了算法实现更高的分类精度标准的情况下。此外,测试结果得出结论,介绍的方法是最有效的诊断方法。
一种新颖的算法和基于人工神经网络(PSO-ANN)模型在早期诊断登革热(12]。在引入模型中,PSO方法是整合优化安的偏见和体重因素的方法。介绍模型的性能检测灵敏度,错误率,准确性,特异性,曲线下的面积(AUC)参数。该模型的结果进行比较与其他传统方法如决策树(DT), PSO、朴素贝叶斯(NB)和安。强大的监控,提出模型,熟练的检测登革热处于初期阶段。
一种新颖的机器学习模型检测的广告从大脑核磁共振13]。首先,图像处理。第二,纹理特征提取。第三,分类,选择单层神经网络。最后,提出了一种新颖的方法捕食PSO的偏见和权重调整安。在效率方面,该方法优于10最先进的方法,以及,比人类观察员诊断广告。
安一个扩展的方法称为优化人工神经网络(OANN)提出和实施医疗数据集诊断心脏疾病(14]。减少疾病的维度,一个优化算法技术应用。此外,基于过滤器安用于二进制分类(正面或负面)疾病根据疾病的特点。该方法的熟练程度是衡量与传统方法的性能情节,民国值、混合矩阵和回归。可以看出后嵌入拟议的功能降低,PSO和安介绍了模型优化的有效性。
两个小说修改布尔介绍了PSO名叫改进速度有界BoPSO (IVbBoPSO)和速度有界BoPSO (IVbBoPSO)求出特征选择挑战,而诊断肾脏和肝脏肿瘤(15]。在修改版本,介绍了参数Vmin特征选择问题。修改版本的准确性评估从2013年CEC 28经典功能选择,同时,通过疾病诊断系统检测特征选择。统计结果得出结论,修改后的版本比达到最大的分类精度。
在[8),随机森林(RF)的方法是使用PSO(射频+ PSO)淋巴疾病的检测。方法分为两个阶段:初始阶段是对特征选择算法和其他特征选择方法申请选择区别的功能;第二阶段是分类,利用射频合奏进行分类检测淋巴疾病。特征选择的过程中,最初的和重新取样分区数据集用于RF分类器训练。仿真结果说明,该方法比基于准确率。
一个新颖的方法基于块的神经网络(BBNN)使用PSO介绍了心电图(ECG)信号的分类(16]。PSO算法整合优化的网络结构和权值。BBNN的参数优化的PSO算法,可以减少ECG信号的可能的变化随着时间的变化和/或人。介绍了方法的性能是衡量使用数据库MIT-BIH心律失常,结果显示97%的分类精度。
3所示。系统评价方法
本研究应用的系统评价方法Brereton et al。17),它提供了一个可靠的和精确的分析研究,是通过一个特定的主题。这样的检验提供了证据的概述的帮助下相干系统的搜索技术和当选的合成记录(18]。此外,该方法已广泛应用于(17- - - - - -20.]。然而,我们的工作是建立在地面上早期的文学描述,这个过程应该分为三个阶段:首先是规划,其次是导电和第三的分析结果。因此,随后的小节解释如何解决这三个阶段。
4所示。研究计划
计划阶段讨论了科学研究问题定义,识别数据库,定义的关键字,搜索技术,包括和排除标准和质量的文章(17- - - - - -20.]。因此,以下研究问题(RQn)的基础上确定的挑战:
4.1。研究问题
RQ1:什么是当前研究的简要概述?
RQ2:广泛应用的方法是什么?
RQ3:根据时间划分工作是如何分布的?
RQ4:研究论文经常引用?
RQ5:疾病和算法是什么?
RQ6:研究的可能性是什么?
一般来说,包括,排除和质量标准定义研究问题的解释[旁边21]。因此,表1描述了本研究中使用的需求。
这个过程的目的是检查判断相关的复议的类型应与该研究中,主要研究应用到子类别的导演的选择标准18,22]。将检查每个搜索结果,文章对标题,摘要,关键词,提出技术、结果和结论,以验证本文的价值。同样,下面的数字数据库是用于搜索本文中的论文。(我)数字图书馆的IEEE(2)电子图书馆ACM(3)谷歌学者(iv)施普林格链接(v)爱思唯尔科学指引(vi)语义的学者(七)翡翠
最后,布尔恢复方法是用于搜索从上述文献数据库。从根本上说,它将搜索空间和定义文档的子范畴,按照规定的标准咨询(23]。在我们的工作,下面的字符串的组合为我们提供解决方案:(“粒子游优化”或“算法”或“群体智慧”或“仿生PSO算法”或“Meta-Heuristic算法PSO”或产品表面算法PSO”或“进化计算算法PSO”)和(“医疗疾病诊断”或“医疗疾病诊断”或“医疗疾病检测”或“医疗疾病检测”或“医疗疾病诊断”或“医学障碍检测”或“医疗”))。
5。执行计划
这一阶段意味着五个步骤:(1)实现了搜索在数据库的首选;(2)相关的搜索结果排除重复的文章;(3)应用包含、排除和质量标准;(4)评估的文章接受了初步研究;(5)数据形成(17,18]。
图1说明了我们的序列系统的文献回顾。最初,第一步是建立运行在所有当选的数据库搜索查询,确定一组广泛的1490篇文章。随后,文献发表在2010年之前被丢弃,这返回的970篇论文。
然而,净化搜索和丢弃的报纸的根据综述的范围,一个精确的调查采用标题,关键字,摘要的排除标准(表1)。它排除916篇文章并返回预审批54文件质量检查。是至关重要的,强调使用关键字查询返回的众多论文,不适合本研究的范围;这捍卫排除论文的总数。
最后,形成(合成)是研究在上述质量标准执行。结果,11的54出版物由于质量问题被淘汰,留下最后一组43出版物与重要信息在粒子群优化医疗疾病的诊断。
6。结果
单反的结果将在这一节中讨论。因此,每个小节将演示的挑战,解决在本研究的开始。
6.1。RQ1:正在进行的研究的简要概述
所选文学这个单反见表2。通过分析所选文献,我们将揭示目前的审查(概述)meta-heuristic PSO算法的疾病检测。因此,提出各种问题的概述,提出了选择文学,他们被分为十类。(我)心脏病(2)牙病(3)淋巴疾病(iv)乳糜泻(CD)(v)肝脏疾病(vi)癌症疾病(七)大脑疾病(八)肝炎疾病(第九)糖尿病(x)其他人
本研究的目的是找出用来探测下文提及的算法技术分类的疾病。有关疾病的话题和用于特定疾病的研究论文显示在表中3。
6.2。RQ2:广泛使用的方法
云见图2中,每一项的大小表明其发生的数量。这个词的基础上生成云条款包含在选定的研究文章的标题。至上条款表明,这些都是经常采用PSO和医疗疾病的技术,应用于开发计算智能模型的疾病检测。根据条款在图的大小2,它可以观察到,粒子群优化、疾病检测和PSO算法主要词经常出现在有针对性的研究文章。
6.3。RQ3:文献分布随着时间的部门
评估相关的分布选择文学的时分呈现在图3。分布可以通过图进行分析3,这表明2012年到2016年记录最高的部分/数量的研究文章,与18篇文章在每年(9),代表41.86%的文献发表。类似的,2014年和2015年发表相同数量的文章,5每个覆盖23.25%选择文学的一部分。同样的情况与2013年和2017年,这些年来共有8篇论文发表,每年4,18.60%部分的文献。然而,2011年发布3(6.97%)论文,除此之外,2010年到2018年只有4篇文章发表在每年(2)满足18.60%的选择文学。因此,零出版物在2019年和2020年与我们的研究相关。
6.4。RQ4:频繁引用的研究论文
当选前12论文总引用文献的主题被确定为1193年PSO技术和医学疾病,可以检查表4。Abdulhamit Subasi [37),他的研究发表在《计算机在生物学和医学的最高引用(343引用)研究文章。其余的文章发表在期刊:应用软计算([56),139引用),专家系统与应用程序([39),136引用),国际期刊的神经系统([44),110引用),Neurocomputing ([11),76引用),生物医学信号处理和控制([16),70年),神经计算和应用程序([24),60引用),计算机在生物医学方法和项目([2),58引用),专家系统与应用程序([15),55岁),阿尔茨海默病杂志》([13),51引用),软计算([51),48引用)和ISRN人工智能([40),47引用)。
6.5。RQ5:利用医疗疾病和算法
在这个问题中,我们描述一个简洁的解释变异的医学疾病和疾病检测算法,利用所选文章单反。比较医学疾病和变异PSO的描述中可以看到表5。在表5代表论文,每个元组的特殊变体PSO用于特定类型的疾病检测。它可以从表进行分析5大多数研究人员应用标准粒子群算法和改进的版本,如下:切换延迟算法(11),捕食PSO (13),速度有界BoPSO (VbBoPSO) &改善速度有界BoPSO (IVbBoPSO) [15),修改后的算法(49),动态粒子群优化multi-swarm DMS-PSO [50),心加速算法(CAPSO) [51),二进制PSO(全局搜索)52,53)和时间变量多目标算法(TVMOPSO) [56]。同样,它可以检查表5研究者的文献集中于以下疾病:心(检测冠心病(CHD),心电图心跳,心血管,HeartStatlog,克利夫兰心脏病、SPECT的心,SPECTF心,心律失常,和糖尿病心肌病),大脑(阿尔茨海默病(AD)、帕金森病、轻度认知障碍(MCI)和大脑异常),癌症(乳腺癌、肝癌和肾癌),肝、糖尿病、肝炎、等等。除此之外,的杂交PSO算法和神经网络结合的很少医疗疾病的检测。此外,腹腔和淋巴疾病也在矿工的数字在过去的研究中使用了疾病检测的目的使用PSO的技术。
6.6。RQ6:研究的可能性
这个领域进一步需要研究有许多的分支。因此,在表6,我们概述了改进算法,可以用于疾病的变异检测在医学领域。此外,我们附加疾病的热门话题,需要研究的重点,而运用PSO的疾病检测领域的技术可以观察到表7。这些表的基本目的是揭示了可行的差距(孔)和即将出版的作品应该被考虑。定义良好的差距有检查,因为检查优质工作从2010年到2010年出版。一小部分地区进行了调查在文学虽然多个医学领域贡献的改进的变异PSO如胃、肺、脚踝,眼睛,妓女,非典,Covid-19,等。此外,由于医学疾病检测的趋势,有一个相当大数量的字段。出于这个原因,一群开放假说是考虑到将来可能会调查工作的研究人员旨在为这些专题领域的社会作出贡献。结束这个问题,有必要强调本节的目的,是要申报的主题,强调某些假设的基础上,为未来研究单反。
7所示。结论
算法已广泛采用各领域解决实际复杂非线性优化问题。这项研究显示系统回顾现有的研究标准PSO及其变异诊断医学疾病医疗保健。研究人员已经提出各种变异PSO在医疗保健、医疗疾病诊断虽然PSO仍然需要一个极端的检验来提高它的性能。纸是给细节不同的医学疾病,已经在众多利用PSO方法解决卫生保健医疗疾病检测。我们试图给出一个系统的调查各种医学疾病,分别分析了每种算法技术。为了执行的系统调查,差距在文献中发现,转化为六个研究问题。在接下来的阶段,考虑到研究问题进行分析,在以下几点简要解释说:利用PSO及其在疾病检测、变异的价值选择的文章,发表文章的时间划分,通常遇到的医学疾病,最大变异PSO应用疾病检测。用适当的研究领域的增长速度,预计额外的工作应该在未来实现。这个系统的调查描述,许多研究人员的发现合并算法及其变异检测心脏疾病,癌症疾病,大脑疾病,肝炎疾病和糖尿病。此外,系统调查的分析结果说明,不同的科学家和研究人员经常有针对性的标准PSO算法和改进版本的疾病诊断。 As the future direction, the researchers can utilize the improved versions of Neural Networks with PSO, as well as, can use the diverse hybridized versions of PSO for disease diagnosis. We anticipated that this survey will draw more attention to these problems and the substantial research will provide basic insight into how PSO mutation strategies enhance the performance of standard PSO in the health care domain. We are confident that such knowledge will encourage the PSO researchers to gain better awareness about a particular PSO, to enhance it, or to devise a new one.
的利益冲突
作者宣称没有利益冲突。