تشخیص بیماری تیروئید با استفاده از ترکیب شبکه های عصبی به روش سلسله مراتبی

مقدمه: غده تیروئید نسبت به غدههای دیگر بدن بیشتر دچار مشکل میشود و در صورت عدم تشخیص به موقع بی نظمیهای تیروئید، بیمار دچار حمله تیروئیدی و یا کمای میگزدم شده که ممکن است منجر به مرگ گردد. از این رو تشخیص بینظمیهای تیروئید (پرکاری یا کمکاری) بر پایه تستهای آزمایشگاهی و کلینیکی امری ضروری است. هدف از این پژوهش ارائه مدلی مبتنی بر تکنیک داده کاوی است که قابلیت پیشبینی بیماری تیروئید از نظر کمکاری و پرکاری را داشته باشد. روش: این مطالعه از نوع توصیفی-تحلیلی بوده و پایگاه داده آن شامل ۷۲۰۰ رکورد مستقل مبتنی بر ۲۱ ریسک فاکتور و برگرفته شده از مرجع داده UCI میباشد که از این تعداد ۷۰ % نمونهها جهت آموزش و ۳۰ % آن ها جهت آزمون استفاده شده است. این پژوهش ابتدا به بررسی عملکرد شبکههای عصبی ، به منظور تشخیص بیماری تیروئید پرداخته و سپس به ارائه الگوریتمی به نام ترکیب شبکههای عصبی به روش سلسله مراتبی می پردازد. نتایج: پس از مدل سازی و مقایسه مدلهای تولید شده و ثبت نتایج دقت پیش بینی بیماری تیروئید با استفاده از روش شبکه عصبی ۶/۹۶% و روش سلسله مراتبی ۱۰۰ % به دست آمد. نتیجه گیری: کاهش خطای تشخیص بیماری تیروئید همواره یکی از اهداف محققین بوده است. استفاده از روشهای مبتنی بر داده کاوی میتواند به کاهش این خطا کمک کند. این مطالعه ضمن تشخیص بیماری تیروئید به کمک شبکه های عصبی، نشان می دهد که ارائه روش قوی تری به نام ترکیب شبکههای عصبی به صورت سلسله مراتبی منجر به بهبود دقت تشخیص می شود.

Keywords:

Artificial neural network , MLP network , Combination of neural networks , Thyroid diagnosis , شبکه عصبی مصنوعی , شبکه MLP , ترکیب شبکه های عصبی , تشخیص بیماری تیروئیدی , تشخیص نوع تیروئید