توسعه سیستم غربالگری مبتنی بر یادگیری ماشین برای طبقه بندی ندول های تیروئید

سابقه و هدف: ندول های تیروئید بسیار رایج هستند و FNA گلداستاندارد تشخیصی این بیماری می باشد. معایب و تهاجمی بودن این روش، بار روانی و مالی زیادی را بر بیمار و متخصص تحمیل می کند. لذا ما به دنبال توسعه روش غربالگری مبتنی بر روش-های یادگیری ماشین برای کاهش مشکلات تشخیصی می باشیم.مواد و روش ها: بر طبق مطالعه مقطعی انجام شده در بابل، ویژگی های سونوگرافیک ۴۳۱ ندول تیروئید(۳۱۳ بیمار) مورد بررسی قرار گرفت. اغلب ندول های تیروئید از نوع خوش خیم هستند، لذا داده های جمع آوری شده در این زمینه در طبقات بدخیم و خوش-خیم نامتوازن هستند. این مسئله باعث سوء یادگیری مدل به سمت طبقه ی اکثریت می شود. از این رو قبل از آموزش مدل ماشین بردار پشتیبان(SVM)، داده های آموزش با الگوریتم اسموث-تومک متوازن شدند. همچنین مدل رگرسیون لجستیک نیز به عنوان روش سنتی برای مقایسه با مدل SVM برازش داده شد. کلیه آنالیز ها در نرم افزار Python v۳.۷ و Spss v۲۵ انجام شدند.یافته ها: طبق نتایج مقدار شاخص های حساسیت، ویژگی و G-mean برای مدل SVM به ترتیب برابر با ۷۵.۸، ۹۱ و ۸۲.۹ بدست آمد که در مقایسه با مدل سنتی، حساسیت بیشتر و همچنین کارایی متعادل برای پیش بینی هر دو طبقه داشت. بر این اساس متغیر های کلسیفیکاسیون (میکروکلسیفیکاسیون)، شکل ندول(عمودی و عریض) و حاشیه(نامنظم) به ترتیب موثرترین متغیر ها برای پیش بینی ندول های بدخیم تیروئید و متغیر های اکوژنیسیتی(ایزواکوژنیسیتی) و ساختار داخلی ندول(عمدتا کیستیک) به ترتیب موثرترین متغیرها در پیش بینی ندول های خوش خیم تیروئید معرفی شدند.نتیجه گیری: شناسایی عوامل موثر در تفکیک ندول های تیروئید و استفاده از آنها برای توسعه سیستم های غربالگری مبتنی بر مدل های یادگیری ماشین، می تواند کمک شایانی به متخصصان این زمینه برای افزایش قدرت تشخیص بکند.

کلیدواژه ها:

Thyroid nodules ، Machine Learning ، Unbalanced Data ، SVM.