روش جدید بهینه سازی پارامترهای ماشین بردار پشتیبان با الگوریتم های جهش قورباغه و جستجوی گرانشی برای تشخیص بیماری تیرویید

سابقه و هدف: غده تیرویید به عنوان یکی از غدد حیاتی بدن می باشد. در صورت عدم تشخیص به موقع بیماریتیرویید در فرد ممکن است به مرگ وی منجر گردد. هدف از این پژوهش ارایه مدلی دقیق تر مبتنی بر تکنیک هایداده کاوی به منظور تشخیص این بیماری است. مواد و روشها: پایگاه داده این مطالعه شامل 7200 رکورد مستقل شامل 21ریسک فاکتور و برگرفته از مرجع داده استاندارد UCI می باشد. در ابتدا روش انتخاب ویژگی دسته بندی (Wrapper)برای شناسایی یک زیر مجموعه قدرتمند از 21 ویژگی نمونه ها در پایگاه داده استفاده می شود. سپس از ماشین بردارپشتیبان (support vector machine (SVM)) به منظور طبقه بندی استفاده شده است. در نهایت جهتبهینه سازی پارامترهای SVM و در نتیجه افزایش دقت و حساسدیت مدل از الگوریتم های تکاملی کارا و معروف جهشقوباغه و جستجوی گرانشی استفاده شده است. یافته ها: دقت و حساسیت استفاده از SVM بر روی پایگاه داده تحتتست به ترتیب برابر با 81 % و 63 % می باشد و نتیجه ترکیب هر یک از الگوریتم های تکاملی با SVM دارای دقت و حساسیت 97/85% و 78% برای ترکیب الگوریتم ژنتیک، 98/67% و 99% برای ترکیب الگوریتم قورباغه 98/02% و 99% برای ترکیب الگوریتم گرانشی است. بحث و نتیجه گیری: دقت و حساسیت نتایج بدست آمده از ترکیب الگوریتم های قورباغه و گرانشی با SVM در مقایسه با کارهای گذشته بهبود داشته است. قابل توجه است که در علم پزشکی درصد حساسیت روش تشخیص یعنی درصد بیمارانی که به درستی بیمار تشخیص داده شده اند از اهمیت بالایی برخوردار است.

کلیدواژه ها:

بیماری تیرویید ، ماشین بردار پشتیبان ، بهینه سازی پارامترهای SVM ، الگوریت های تکاملی