Réduction de dimension dans des données médicales complexes : Amélioration de l'algorithme génétique niché auto-adaptatif

Avec le développement de la technologie médicale, de plus en plus de paramètres sont produits pour décrire l'état physiologique humain, formant des ensembles de données cliniques de haute dimension. Dans l'analyse clinique, les données sont couramment utilisées pour établir des modèles mathématiques et effectuer des classifications. Les données cliniques de haute dimension augmenteront la complexité de la classification, qui est souvent utilisée dans les modèles, et réduiront ainsi l'efficacité. L'algorithme génétique niché (NGA) est un excellent algorithme pour la réduction de dimension. Cependant, dans le NGA conventionnel, le paramètre de distance de niche est fixé à l'avance, ce qui l'empêche de s'adapter à l'environnement. Dans cet article, un algorithme génétique niché amélioré (INGA) est introduit. Il emploie une opération de sélection nichée auto-adaptative dans la construction de l'environnement de niche pour améliorer la diversité de la population et prévenir les solutions optimales locales. L'INGA a été vérifié dans un modèle de stratification pour les patients atteints de sepsie. Les résultats montrent qu'en appliquant l'INGA, la dimensionnalité des caractéristiques des ensembles de données a été réduite de 77 à 10 et que le modèle a atteint une précision de 92 % dans la prédiction de la mortalité à 28 jours chez les patients septiques, ce qui est significativement supérieur à d'autres méthodes.