《Computational Biology and Chemistry》：Chronic Kidney Disease Detection Using XceptionNet with Harmonic Addax Optimization
编辑推荐：
本文提出了一种基于Xception神经网络与调和增强添加克斯优化算法（HAOA）的CKD检测框架，通过Sigmoid归一化、DBN特征融合、SMOTE数据增强等技术优化模型性能，在三个CKD数据集上验证了其高准确率（93.667%）和优异的TPR（94.679%）与TNR（92.777%），为早期CKD诊断提供了有效工具。
作者：苏鲁奇·高拉夫·德德加翁卡（Suruchi Gaurav Dedgaonkar）、G·S·纳瓦莱（G. S Navale）、普里娅·谢尔克（Priya Shelke）、阿莫尔·维什瓦纳特·杜马内（Amol Vishwanath Dhumane）
所属机构：印度马哈拉施特拉邦浦那市孔德瓦（Kondhwa，Budruk）维什瓦卡玛信息技术学院（Vishwakarma Institute of Information Technology）信息技术系，调查编号3/4，邮编411048
摘要
慢性肾病（CKD）是指肾脏功能长期持续且逐渐恶化的疾病。肾脏过滤功能受损会导致废物和多余液体在血液中积聚，从而引发其他健康问题。CKD可引发高血压、肾小球肾炎、糖尿病和多囊肾病。然而，早期发现CKD对于减少并发症和预防肾衰竭至关重要。但由于数据泛化能力和类别不平衡问题，检测过程较为复杂。本文提出了一种优化的深度学习方法来改进CKD的检测。该方法将XceptionNet与和谐Addax优化算法（HAOA）相结合。首先对慢性肾病数据集进行Sigmoid标准化处理，以确保数据规模化和结构一致性；随后利用深度信念网络（DBN）和Soergel相似度度量进行特征融合；接着通过合成少数类重叠技术（SMOTE）进行数据增强；最后使用结合了和谐分析和Addax优化算法的Xception进行CKD检测。实验结果表明，该方法的真正阳性率（TPR）为94.679%、真正阴性率（TNR）为92.777%、准确率为93.667%、精确率为92.258%、F1分数为93.453%。这一模型能有效辅助早期诊断CKD，降低肾衰竭风险并改善患者预后。
引言
CKD是一种肾脏功能逐渐下降的疾病，严重影响患者健康和日常生活。全球约有10%的人口患有CKD。据预测，到2040年CKD将成为全球第五大死亡原因（Singh等人，2022年）。CKD的发病通常与高血压和糖尿病等基础疾病有关。患者若罹患CKD，其死亡风险会显著增加（Selby和Taal，2024年）。慢性肾损伤会导致体内废物、电解质和危险水平的液体积聚。此外，CKD还会引发贫血、神经损伤、高血压和骨质疏松等并发症（Singh等人，2022年）。患者在疾病早期通常无症状，缺乏明显病症。长期接触含铅药物和毒物也会增加患病风险（Poonia等人，2022年）。因此，早期识别和诊断对于控制和治疗CKD、挽救生命至关重要（Dey等人，2022年）。尽管CKD症状逐渐明显，但往往不够特异（Aljawadi等人，2024年）。临床实践中，CKD在早期阶段通常没有明显症状，这可能导致医疗专业人员和患者未能及时发现，从而低估了其严重性（Tuot等人，2012年）。虽然只有少数患者会发展为肾衰竭，但透析或肾移植等治疗手段复杂且费用高昂。患者常出现严重症状，生活质量大幅下降（Selby和Taal，2024年）。CKD治疗可延缓病情进展，但无法根治，主要依赖降胆固醇药、控糖药和降压药。随着病情恶化，患者可能需接受透析或肾移植（Poonia等人，2022年）。通过合理饮食、保持健康体重、定期锻炼、定期检查和筛查以及戒烟，可预防CKD。早期发现和治疗有助于避免严重并发症（Swamy等人，2023年）。随着医疗系统和新药的普及，医生在临床实践中面临更大的挑战（Singh等人，2022年）。利用多样化数据源，医疗从业者采用预测分析方法来早期识别CKD和相关健康风险。机器学习（ML）和深度学习（DL）有助于高效分析和处理数据（Kriplani等人，2019年）。ML能够智能处理数据，提升诊断效率（Singh等人，2022年；Dutta等人，2024年）。ML在CKD检测中发挥重要作用，通过训练模型识别高风险人群或病情进展阶段。深度学习还能基于医疗历史和人类因素预测疾病（Almasoud和Ward，2019年；Johnson等人，2013年）。近年来，多项研究利用ML诊断CKD，包括传统监督学习方法（如支持向量机SVM、XGBoost、决策树KNN、逻辑回归LOGR、随机森林、前馈神经网络FFNN等）（Kafi等人，2022年）。深度学习相比传统模型具有优势，尤其是集成分类器和预训练卷积神经网络（CNN）在医学检测中的应用（Bhute等人，2024年）。优化算法（如Gradient Bald Vulture Optimization）可提升模型性能，类似HAOA在CKD检测中的应用（Prasad等人，2024年）。特征选择技术（如Relief和Lasso）对模型性能至关重要，本文通过特征融合和数据增强将其应用于CKD检测（Dhumane等人，2023年）。深度学习自动化提取高级特征，减少人工干预需求，推动肾脏相关领域和肿瘤学研究进展。深度学习算法在前列腺癌、肺癌和盆腔癌等肿瘤分类中表现出色（Kriplani等人，2019年；Salekin和Stankovic，2016年；Jadhav等人，2025年）。
本文提出了一种基于Xception_HAOA的CKD检测方法。首先对慢性肾病数据进行Sigmoid标准化处理；然后利用DBN和Soergel相似度度量融合特征；最后通过Xception_HAOA进行检测。本文的主要贡献包括：
•结合和谐Addax优化算法的Xception用于CKD检测：通过集成AOA和和谐分析开发的HAOA对Xception进行训练，实现高效CKD检测。
本文结构如下：第2节回顾现有CKD检测方法；第3节介绍模型设计和方法论；第4节报告实验结果和性能评估；第5节讨论研究结果及与基线方法的比较；第6节总结研究并展望未来方向。
文献综述
本文详细介绍了当前用于CKD检测的主要方法。Yousif等人（2024年）提出了Eurygasters优化算法+集成深度学习（EOAEDL-CKDD）用于CKD早期检测，该方法具有较好的泛化能力。Singh等人（2022年）开发了深度神经网络（DNN）用于CKD检测。
数据集描述
本研究使用的数据来自慢性肾病数据集1（2024a）、慢性肾病数据集2（2024b）和慢性肾病风险因素预测数据集（2025年）。慢性肾病数据集1包含400条记录，其中250条为CKD患者记录。
结果
本研究通过多种性能指标评估了Xception_HAOA模型的有效性。
比较讨论
表8展示了Xception_HAOA在CKD检测中的表现。与现有方法相比，Xception_HAOA在真正阴性率（TNR）、准确率（accuracy）、真正阳性率（TPR）、精确率（precision）和F1分数（F1-score）方面均表现优异。
结论
CKD是指肾脏功能随时间逐渐丧失的疾病，会增加健康风险、影响心理社会状态并降低生活质量。早期治疗和检测对改善生活质量至关重要。本文提出的Xception_HAOA模型能有效检测CKD。首先对慢性肾病数据进行处理并应用Sigmoid标准化。
G.S.纳瓦莱（G.S. Navale）：负责数据可视化与验证工作。
苏鲁奇·高拉夫·德德加翁卡（Suruchi Gaurav Dedgaonkar）：负责概念设计、资源收集、初稿撰写及审稿编辑。
阿莫尔·维什瓦纳特·杜马内（Amol Vishwanath Dhumane）：负责软件开发、项目管理和方法论设计、数据分析及监督。
普里娅·谢尔克（Priya Shelke）：负责项目管理和研究监督。
作者声明不存在可能影响本文研究的财务利益或个人关系。
