ضبط المعاملات باستخدام تحسين هاريس هوكس لتحسين تصنيف أمراض الكلى المزمنة

القسم: Research Article

إصدار

مجلد 35 عدد 2 (2026): Volume 35, Issue 2

الصفحات

31-39

الكلمات المفتاحية:

التعلم الآلي، ذكاء السرب، ضبط المعلمات الفائقة لمجموعة البيانات غير المتوازنة، تحسين هاريس هوكس

الملخص

في المرحلة المبكرة، عادةً ما يكون مرض الكلى المزمن (CKD) غير واضح. يُعدّ الانخفاض الملحوظ في وظائف الكلى العلامة الرئيسية للمرض. إذا تم التعرّف عليه في مرحلة مبكرة، يُمكن إبطاء تفاقم مرض الكلى المزمن وتقليل المضاعفات. تقترح هذه الورقة البحثية استخدام خوارزمية ذكاء السرب للمعاملات الفائقة. تم ضبط المعاملات الفائقة لثلاثة من مصنفات آلة المتجهات الداعمة (SVM)، والغابة العشوائية (RF)، وتعزيز التدرج (GB) باستخدام خوارزمية تحسين هاريس هوكس (HHO). وتمت معالجة اختلال التوازن في مجموعة بيانات مرض الكلى المزمن بناءً على تقنية أخذ العينات الزائدة الاصطناعية للأقلية (SMOTE). تُظهر النتائج أن طريقة ضبط HHO تفوقت على طريقتي PSO والبحث العشوائي من حيث الدقة، ودرجة F1، ومقاييس المساحة تحت منحنى (ROC-AUC). بشكل عام، تُظهر النتائج أن ضبط HHO يُحسّن أداء التصنيف بشكل فعّال.

المراجع

P. Aravazhi, P. Gunasekaran, N. Z. Y. Benjamin, A. Thai, K. K. Chandrasekar, N. Kolanu, P. Prajjwal, Y. Tekuru, L. Brito, &P. Inban, “The integration of artificial intelligence into clinical medicine: Trends, challenges, and future directions,” Disease-a-Month, vol. 71, 2025, doi: 10.1016/j.disamonth.2025.101882.
S. Maringhini and C. Zoccali, “Chronic kidney disease progression—A challenge,” Biomedicines, vol. 12, no. 10, p. 2203, 2024, doi: 10.3390/biomedicines12102203.
P. Ventrella, G. Delgrossi, G. Ferrario, M. Righetti, &M. Masseroli, “Supervised machine learning for the assessment of chronic kidney disease advancement,” Computer Methods and Programs in Biomedicine, vol. 209, p. 106329, 2021, doi: 10.1016/j.cmpb.2021.106329.
F. Hosseini, “Hyperparameter optimization of regional hydrological LSTMs by random search: A case study from Basque Country, Spain,” Journal of Hydrology, vol. 643, 2024.
B. Bischl, M. Binder, M. Lang, T. Pielok, J. Richter, S. Coors, J. Thomas, T. Ullmann, M. Becker, A.-L. Boulesteix, D. Deng, &M. Lindauer, “Hyperparameter optimization: Foundations, algorithms, best practices, and open challenges,” Wiley Interdiscip. Rev. Data Min. Knowl. Discov., vol. 13, 2023, doi: 10.1002/widm.1484.
K. Rajwar, K. Deep, &S. Das, “An exhaustive review of the metaheuristic algorithms for search and optimization: Taxonomy, applications, and open challenges,” Artif. Intell. Rev., vol. 56, pp. 13187–13257, 2023, doi: 10.1007/s10462-023-10470-y.
G. Hussien, L. Abualigah, R. Zitar, F. Hashim, M. Amin, A. Saber, K. Almotairi, & A. Gandomi, “Recent advances in Harris Hawks optimization: A comparative study and applications,” Electronics, vol. 11, 2022, doi: 10.3390/electronics11121919.
W. Yang, N. Ahmed, &A. Barczak, “Comparative analysis of machine learning algorithms for CKD risk prediction,” IEEE Access, pp. 1–1, 2024, doi: 10.1109/ACCESS.2024.3499355.
B. Metherall, A. Berryman, & G. Brennan, “Machine learning for classifying chronic kidney disease and predicting creatinine levels using at-home measurements,” Sci. Rep., vol. 15, 2025, doi: 10.1038/s41598-025-88631-y.
H. Ilyas, S. Ali, M. Ponum, O. Hasan, M. Mahmood, M. Iftikhar, & M. Malik, “Chronic kidney disease diagnosis using decision tree algorithms,” BMC Nephrol., vol. 22, 2021, doi: 10.1186/s12882-021-02474-z.
N. Khan, M. Raza, N. Mirjat, N. Balouch, G. Abbas, A. Yousef, & E. Touti, “Unveiling the predictive power: A comprehensive study of machine learning model for anticipating chronic kidney disease,” Frontiers in Artificial Intelligence, vol. 6, 2024, doi: 10.3389/frai.2023.1339988.
S. Prakash, P. Raja, A. Baseera, D. Hussain, V. Balaji, & K. Venkatachalam, “Ensemble nonlinear support vector machine approach for predicting chronic kidney diseases,” Computer Systems Science and Engineering, vol. 42, pp. 1273–1287, 2022, doi: 10.32604/csse.2022.021784.
L. Kethineni, Nithinchandra, N. Kumar, & S. Sk, “Chronic kidney disease prediction based on machine learning algorithms,” ITM Web of Conferences, vol. 74, 2025, doi: 10.1051/itmconf/20257401004.
P. Theerthagiri & A. U. Ruby, “RFFS: Recursive random forest feature selection based ensemble algorithm for chronic kidney disease prediction,” Expert Systems, vol. 39, 2022, doi: 10.1111/exsy.13048.
N. Khan, M. Raza, N. Mirjat, N. Balouch, G. Abbas, A. Yousef, & E. Touti, “Unveiling the predictive power: A comprehensive study of machine learning model for anticipating chronic kidney disease,” Frontiers in Artificial Intelligence, vol. 6, 2024, doi: 10.3389/frai.2023.1339988.
M. A. Islam, M. Z. H. Majumder, &M. A. Hussein, “Chronic kidney disease prediction based on machine learning algorithms,” J. Pathol. Inform., vol. 14, p. 100189, Jan. 2023, doi: 10.1016/j.jpi.2023.100189.
H. Gezici & H. Livatyali, “Chaotic Harris hawks optimization algo rithm,” Journal of Computational Design and Engineering, vol. 9, pp. 216–245, 2022, doi: 10.1093/jcde/qwab082.
Z. Wang & X. Wei, “Harris hawk optimization algorithm with combined perturbation strategy and its application,” Scientific Reports, vol. 15, 2025, doi: 10.1038/s41598-025-04705-x.
A. A. Heidari, H. Faris, I. Aljarah, M. Mafarja, & H. Chen, “Harris hawks optimization: Algorithm and applications,” Future Generation Computer Systems, vol. 97, pp. 849–872, 2019, doi: 10.1016/j.future.2019.02.028.
M. Dimgba &R. Andreas, “Optimal hyperparameter search strategies: Benchmarking grid search, random search, and genetic algorithms across regression, classification, and clustering tasks,” ResearchGate, 2024, doi: 10.13140/RG.2.2.24957.37603.