基于蚁群优化深度集成学习的胃肠疾病高精度检测模型

　　本研究针对胃肠疾病诊断中传统单模型精度不足的问题，提出融合CNN、ACO算法与WAET的三层集成框架。通过超参数优化与加权聚合，在6000张内镜图像数据上实现99.88%的准确率，为临床提供高精度可解释的AI诊断方案。

　　

胃肠（GI）疾病诊疗是医疗领域的重大挑战，亟需开发更精准高效的诊断技术。传统单模型方法在准确性和有效性方面存在局限，难以捕捉疾病相关的复杂多变特征。为此，本研究创新性地构建了面向胃肠疾病检测的集成学习框架，采用三层架构整合卷积神经网络（CNN）、蚁群优化算法（ACO）和加权聚合集成技术（WAET）。

该方法分三阶段实施：首先通过迁移学习微调多个CNN模型，并利用ACO优化各网络的超参数，以提升模型适应性与性能；其次采用WAET整合优化后前三名模型的预测结果，增强系统在胃肠疾病识别中的鲁棒性；最后运用ACO优化集成过程中各模型的权重分配。研究使用6000张经裁剪和数据增强处理的内镜图像数据集，提升数据多样性及分类性能。在CP-Child-A和CP-Child-B数据集上的额外实验表明，所提出的集成模型取得了优异表现：在主数据集上准确率达99.88%，在CP-Child-A和B上分别达到98.75%和100%，显著优于传统混合方法及当前最优方案。

此外，通过Grad-CAM和SHAP等可解释性技术验证了模型决策过程的合理性，不仅提升了诊断准确性，更为胃肠疾病的自动化检测提供了稳健、可解释的解决方案，有力支持临床决策。