تشخيص بيماري تيروئيد با استفاده از تركيب شبكه‌ هاي عصبي به روش سلسله مراتبي

The Diagnosis of Thyroid Diseases Using Combination of Neural Networks through Hierarchical Method

غده تيروئيد نسبت به غده هاي ديگر بدن بيشتر دچار مشكل مي شود و در صورت عدم تشخيص به موقع بي نظمي هاي تيروئيد، بيمار دچار حمله تيروئيدي و يا كماي ميگزدم شده كه ممكن است منجر به مرگ گردد. از اين رو تشخيص بي نظمي هاي تيروئيد (پركاري يا كم كاري) بر پايه تست هاي آزمايشگاهي و كلينيكي امري ضروري است. هدف از اين پژوهش ارائه مدلي مبتني بر تكنيك داده كاوي است كه قابليت پيش بيني بيماري تيروئيد از نظر كم كاري و پركاري را داشته باشد.روش: اين مطالعه از نوع توصيفيتحليلي بوده و پايگاه داده آن شامل 7200 ركورد مستقل مبتني بر 21 ريسك فاكتور و برگرفته شده از مرجع داده uci مي باشد كه از اين تعداد 70 % نمونه ها جهت آموزش و 30 % آن ها جهت آزمون استفاده شده است. اين پژوهش ابتدا به بررسي عملكرد شبكه هاي عصبي ، به منظور تشخيص بيماري تيروئيد پرداخته و سپس به ارائه الگوريتمي به نام تركيب شبكه هاي عصبي به روش سلسله مراتبي مي پردازد.نتايج: پس از مدل سازي و مقايسه مدل هاي توليد شده و ثبت نتايج دقت پيش بيني بيماري تيروئيد با استفاده از روش شبكه عصبي 96/6 % و روش سلسله مراتبي 100 % به دست آمد.نتيجه گيري: كاهش خطاي تشخيص بيماري تيروئيد همواره يكي از اهداف محققين بوده است. استفاده از روش هاي مبتني بر داده كاوي مي تواند به كاهش اين خطا كمك كند. اين مطالعه ضمن تشخيص بيماري تيروئيد به كمك شبكه هاي عصبي، نشان مي دهد كه ارائه روش قوي تري به نام تركيب شبكه هاي عصبي به صورت سلسله مراتبي منجر به بهبود دقت تشخيص مي شود.

Introduction: Problems in thyroid gland are more common than in other glands of human body, and if they are not diagnosed early, thyroid storm or myxedema coma is likely to happen that might lead to death; therefore, on-time diagnosis of thyroid disorders (Hypothyroidism or hyperthyroidism) based on Laboratory and clinical tests is necessary. The main object of this research was to present a model based on data mining techniques that is capable of predicting thyroid diseases. Methods: This study was a descriptive-analytic study and its database included 7200 independent records based on 21 risk factors derived from UCI data reference. From all records, 70% were used for training and 30% for testing. First, neural networks performance was reviewed in order to diagnose thyroid diseases, and then an algorithm for combination of neural networks through hierarchical method was presented. Results: After modeling and comparing the generated models and recording the results, accuracies of predicting thyroid disorders using neural network and hierarchical method were found to be 96.6% and 100% respectively. Conclusion: Reducing misdiagnosis of thyroid diseases has always been one of the most important aims of researchers. Using methods based on data mining can decrease these errors. This study showed that using combination of neural networks through hierarchical method improves diagnosis accuracy.