استفاده از الگوریتمهای یادگیری ماشین در تحلیل و تشخیص اختلالات تیروئید

هدف این پژوهش به کارگیری روشهای یادگیری ماشین در تحلیل و تشخیص اختلالات تیروئید و ارزیابی عملکرد الگوریتمهای مختلف بر اساس داده های بالینی و ویژگی های جمعیت شناختی بیماران است. در این راستا، توانایی مدل های مختلف در تفکیک بیماران مبتلا از افراد سالم مورد بررسی و مقایسه قرار گرفته است. نسخه اولیه این پژوهش پیشتر در قالب یک مقاله کنفرانسی ارائه و مورد پذیرش قرار گرفته است و مطالعه حاضر به عنوان نسخه توسعه یافته آن با هدف تکمیل، بهبود و گسترش چارچوب پیشنهادی و ارائه تحلیل های جامع تر انجام شده است. روش ها: داده های بیماران از یک پایگاه داده معتبر استخراج شد و پس از انجام مراحل پیش پردازش به منظور ایجاد تعادل میان کلاس ها از تکنیک پیش نمونه گیری مصنوعی اقلیت استفاده گردید. تحلیل داده ها در محیط نرم افزار اورنج و بر اساس شاخص های ارزیابی استاندارد انجام شد. الگوریتم های نایوبیز و نزدیک ترین همسایگی به عنوان مدل های پایه پیاده سازی شدند، همچنین دو الگوریتم دیگر در این نسخه از پژوهش به عنوان مدل های مرجع جهت مقایسه عملکرد بهتر به کار گرفته شدند. به منظور افزایش دقت تشخیص، یک مدل ترکیبی مبتنی بر استکینگ با بهره گیری از خروجی الگوریتم های یادگیری ماشین و یک طبقه بند فراگیر به عنوان مدل نهایی مورد استفاده قرار گرفت. یافته ها: نتایج حاصل از تحلیل ها نشان داد الگوریتم نزدیک ترین همسایگی پس از تنظیم مناسب پارامترها، در مقایسه با الگوریتم ها به ترتیب لجستیک، رگرسیون، نایوبیز و ماشین بردار پشتیبان عملکرد دقیق تری در تشخیص اختلالات تیروئید ارائه می دهد. علاوه بر این، مدل پیشنهادی مبتنی بر استکینگ با ترکیب خروجی مدل های پایه توانست دقت تشخیص را به ۹۶.۹% افزایش دهد و تفکیک موثرتری میان بیماران مبتلا و افراد سالم فراهم کند. نتیجه گیری: بر اساس یافته های این پژوهش، استفاده از روش های یادگیری ماشین و مدل ترکیبی مبتنی بر استکینگ می تواند نقش موثرتری در تشخیص سریع تر و دقیق تر اختلالات تیروئید در محیط های بالینی ایفا کند. عملکرد مناسب این مدل ها شرایط را به گزینه ای کارآمد برای توسعه سامانه های هوشمند تشخیصی تیروئید تبدیل می کند. در پژوهش های آینده، گسترش مجموعه داده ها، به کارگیری الگوریتم های تکمیلی و ارزیابی مدل ها بر روی داده های بالینی می تواند موجب افزایش دقت و قابلیت تعمیم پذیری نتایج شود.

کلیدواژه ها:

تشخیص اختلالات تیروئید ، یادگیری ماشین ، تجزیه و تحلیل داده های بالینی ، سیستم های پشتیبانی تصمیم گیری پزشکی