تحلیل و تشخیص اختلالات تیروئید با استفاده از یادگیری ماشین

هدف تحلیل و تشخیص اختلالات تیروئید با بهره گیری از الگوریتم های یادگیری ماشین و مقایسه عملکرد آنها با تکیه بر داده های شاخص های بیوشیمیایی و ویژگی های جمعیت شناختی است. روش ها داده های مربوط به بیماران مبتلا و سالم از پایگاه داده معتبر جمع آوری شده و پس از مراحل پاکسازی، نرمال سازی، تفکیک داده ها و اعمال تکنیک پیش نمونه گیری مصنوعی اقلیت در نرم افزار Orange توسط شاخص های ارزیابی مورد تحلیل قرار گرفتند. دو الگوریتم نایوبیز و نزدیک ترین همسایگی برای مدل سازی به کار گرفته شدند. یافته ها: نتایج نشان داد الگوریتم نزدیک ترین همسایگی با تنظیم پارامترهای مناسب نسبت به نایوبیز عملکرد دقیق تری در تشخیص اختلالات تیروئید داشته و توانایی بهتری در تفکیک بیماران مبتلا از افراد سالم ارائه داده است. کارایی این روش در توسعه سامانه های هوشمند تشخیص اختلالات تیروئید برجسته است. نتیجه گیری: یافته های این پژوهش بیانگر آن است که استفاده از روش های یادگیری ماشین به ویژه الگوریتم نزدیک ترین همسایگی می تواند به عنوان ابزاری کارآمد در تشخیص سریع تر و دقیق تر اختلالات تیروئید در محیط های بالینی مورد استفاده قرار گیرد. الگوریتم نزدیک ترین همسایگی به دلیل سازگاری مناسب با داده ها برای تعادل کلاس ها می تواند به عنوان گزینه ای موثر برای توسعه سامانه های تشخیصی تیروئید به کار رود. بررسی های آتی می تواند با گسترش مجموعه داده ها، همراهی با سایر الگوریتم های کلاس بندی و ارزیابی بر روی داده های بالینی دقت و قابلیت تعمیم پذیری یافته های این تحقیق را ارتقا دهد.

کلیدواژه ها:

اختلالات تیروئید ، الگوریتم یادگیری ماشین ، تشخیص پزشکی ، پیش پردازش ، کلاس بندی