تشخیص بیماری تیروئید با استفاده از الگوریتم های یادگیری ماشین

بیماری های تیروئید از شایع ترین اختلالات غدد درون ریز هستند که تشخیص زودهنگام آن ها نقش حیاتی در کنترل روند درمان دارد. در سال های اخیر، استفاده از الگوریتم های یادگیری ماشین (Machine Learning) به دلیل توانایی در تحلیل الگوهای پیچیده داده های بالینی و تصویری، به ابزاری قدرتمند برای افزایش دقت تشخیص پزشکی تبدیل شده است. این پژوهش به بررسی و مقایسه عملکرد الگوریتم های یادگیری ماشین در تشخیص بیماری های تیروئید با استفاده از سه منبع داده ای متنوع (UCI، MIMIC-III و تصاویر سونوگرافی TCIA) پرداخته است. فرآیند پیش پردازش داده ها شامل مدیریت مقادیر گمشده، کدگذاری، موازنه کلاس ها با الگوریتم SMOTE و نرمال سازی بوده است. یافته ها نشان می دهد که دقت مدل ها به شدت به نوع داده ورودی وابسته است؛ به طوری که مدل CNN در تحلیل تصاویر سونوگرافی به دقت ۹۸.۲٪ دست یافت. در تحلیل داده های ساختارمند آزمایشگاهی، الگوریتم «جنگل تصادفی» (Random Forest) با دقت ۹۷.۸٪، عملکردی برتر نسبت به سایر مدل ها ارائه داد. نتایج همچنین حاکی از آن است که الگوریتم های مبتنی بر Ensemble، به ویژه پس از اعمال تکنیک SMOTE، از پایداری و دقت بالاتری نسبت به SVM و K-NN برخوردارند. اگرچه رگرسیون لجستیک کمترین دقت (۸۹.۴٪) را کسب کرد، اما به دلیل تفسیرپذیری بالا و انطباق ضرایب با یافته های بالینی، همچنان برای محیط های تصمیم گیری محدود حائز اهمیت است. در نهایت، نرخ منفی کاذب بسیار پایین در مدل جنگل تصادفی (۱.۲٪)، نشان دهنده توانایی بالای این مدل در کاهش تشخیص های نادرست و اهمیت بالینی آن در غربالگری دقیق بیماران است.

کلیدواژه ها:

تشخیص تیروئید ، جنگل تصادفی ، ماشین بردار پشتیبان ، XGBoost ، هوش مصنوعی پزشکی