كاهش خطاي رده‌بندي تعيين بيماري تيروييد در شهرستان شوشتر با استفاده از الگوريتم بوستينگ درختي

Decreasing in misclassification of determination thyroiddisease in Shoushtar town using tree boosting algorithm

زمينه و هدف: غده تيروييد يكي از غدد حياتي بدن است كه مي‌توان گفت به طور غير مستقيم روي تمام ارگان‌هاي بدن مانند قلب، كليه، دستگاه گوارش و غيره اثر دارد هدف اين مطالعه استفاده از الگوريتم بوستينگ در كاهش خطاي تشخيص غده تيروييد نرمال از غده تيروييد غيرنرمال مي‌باشد. اين الگوريتم يك روش قدرتمند در حوزه تشخيص و پيش‌بيني مي‌باشد. الگوريتم بوستينگ به طور مكرر يك رده‌بندي كننده پايه را روي داده‌هاي دوباره وزن‌دار شده رشد مي‌دهد و در نهايت يك تركيب خطي از نتايج تشكيل مي‌دهد و از اين رو دقت را بهبود مي‌بخشد. مواد و روش كار: اين مطالعه از نوع مقطعي است. داده‌هاي وضعيت غده تيروييد يك نمونه 103تايي از مراجعه كنندگان به آزمايشگاه سلامت شهرستان شوشتر در سال 89-90 مورد تحليل قرار گرفت براي تشخيص غده تيروييد نرمال از غده تيروييد غيرنرمال از درخت‌هاي تصميم معمولي و درخت‌هاي تصميم بوستينگ از نرم افرار 3.0.1R استفاده شد. براي مقايسه نتايج از روش تحليل رده‌بندي و سه معيار نرخ خطاي رده‌بندي، حساسيت و ويژگي استفاده شد. يافته‌ها: نرخ خطاي رده‌بندي، حساسيت و ويژگي در مجموعه آزمون براي درخت‌هاي تصميم معمولي به ترتيب 088/0، 91/0 و 92/0 به دست آمدند و در درخت‌هاي تصميم بوستينگ سه معيار فوق به ترتيب 029/0، 955/0و 1 به دست آمدند. نتيجه‌گيري: نتايج اين مطالعه نشان داد كه الگوريتم بوستينگ براي تشخيص غده تيروييد نرمال از غده تيروييد غيرنرمال بسيار موفق‌‌تر عمل مي‌كند بنابراين استفاده از درخت‌هاي تصميم بوستينگ جهت تشخيص و پيشگويي وضعيت غده تيروييد پيشنهاد مي‌شود.

Background & Objectives: Thyroid is a vital gland, which affect all of the body oragans such as heart, digestive system, kidney and so on. The intention of this research is to decreas in wrong determination of normal thyroid gland from abnormal using boosting algorithm. This algorithm is a powerful method in diagnosis and prognosis. It iteratively grows base classifer on a sequence of reweighted datasets then takes a linear combination of consequencs and we hope improves accuracy at final. Material & Methods: A total of 103 patients’ data corrolated to November 2010 until November 2011 from Shoushtar salamat laboratory were analyzed for detemination thyroid gland state. Conventional decision trees and boosting decision trees were made for diagnosis normal thyroid gland from abnormal thyroid gland using R softwere vedersion 3.0.1. Results: Our findings revealed that for conventional decision trees misclassification rate , sensitivity and specificity with test set were 0.088 , 0.91 and 0.92 respectively .However these figures considered by boosting desion trees were 0.029 , 0.955 and 1 crrespondingly. Conclution: The boosting decision trees had possibily superior sucsses in diagnosis normal tiroid gland ftom unnormal . So using boosting decisin trees propose in determination thyroid gland state.