دوره 4، شماره 1 - ( بهار 1396 )
جلد 4 شماره 1 صفحات 31-21 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Zabbah I, Yasrebi Naeini S E, Ramazanpoor Z, Sahragard K. The Diagnosis of Thyroid Diseases Using Combinati on of Neural Networks through Hierarchical Method. jhbmi 2017; 4 (1) :21-31
URL: http://jhbmi.ir/article-1-187-fa.html
URL: http://jhbmi.ir/article-1-187-fa.html
ذباح ایمان، یثربی سید احسان، رمضانپور زهرا، صحراگرد خدیجه. تشخیص بیماری تیروئید با استفاده از ترکیب شبکه های عصبی به روش سلسله مراتبی
. مجله انفورماتیک سلامت و زیست پزشکی. 1396; 4 (1) :21-31
عضو هیات علمی گروه کامپیوتر و فناوری اطلاعات، دانشکده مهندسی ، دانشگاه تربت حیدریه
چکیده: (7664 مشاهده)
مقدمه: غده تیروئید نسبت به غدههای دیگر بدن بیشتر دچار مشکل می‌شود و در صورت عدم تشخیص به موقع بی نظمیهای تیروئید، بیمار دچار حمله تیروئیدی و یا کمای میگزدم شده که ممکن است منجر به مرگ گردد. از این رو تشخیص بینظمیهای تیروئید (پرکاری یا کمکاری) بر پایه تستهای آزمایشگاهی و کلینیکی امری ضروری است. هدف از این پژوهش ارائه مدلی مبتنی بر تکنیک داده کاوی است که قابلیت پیش‌بینی بیماری تیروئید از نظر کمکاری و پرکاری را داشته باشد.
روش: این مطالعه از نوع توصیفی-تحلیلی بوده و پایگاه داده آن شامل 7200 رکورد مستقل مبتنی بر 21 ریسک فاکتور و برگرفته شده از مرجع داده UCI میباشد که از این تعداد 70% نمونهها جهت آموزش و 30% آن‌ها جهت آزمون استفاده شده است. این پژوهش ابتدا به بررسی عملکرد شبکه‌های عصبی، به منظور تشخیص بیماری تیروئید پرداخته و سپس به ارائه الگوریتمی به نام ترکیب شبکه‌های عصبی به روش سلسله مراتبی می‌پردازد.
نتایج: پس از مدل‌سازی و مقایسه مدلهای تولید شده و ثبت نتایج دقت پیش‌بینی بیماری تیروئید با استفاده از روش شبکه عصبی 6/96% و روش سلسله مراتبی 100% به دست آمد.
نتیجه‌گیری: کاهش خطای تشخیص بیماری تیروئید همواره یکی از اهداف محققین بوده است. استفاده از روشهای مبتنی بر داده‌کاوی میتواند به کاهش این خطا کمک کند. این مطالعه ضمن تشخیص بیماری تیروئید به کمک شبکه‌های عصبی، نشان می‌دهد که ارائه روش قوی‌تری به نام ترکیب شبکه‌های عصبی به صورت سلسله مراتبی منجر به بهبود دقت تشخیص می‌شود.
روش: این مطالعه از نوع توصیفی-تحلیلی بوده و پایگاه داده آن شامل 7200 رکورد مستقل مبتنی بر 21 ریسک فاکتور و برگرفته شده از مرجع داده UCI میباشد که از این تعداد 70% نمونهها جهت آموزش و 30% آن‌ها جهت آزمون استفاده شده است. این پژوهش ابتدا به بررسی عملکرد شبکه‌های عصبی، به منظور تشخیص بیماری تیروئید پرداخته و سپس به ارائه الگوریتمی به نام ترکیب شبکه‌های عصبی به روش سلسله مراتبی می‌پردازد.
نتایج: پس از مدل‌سازی و مقایسه مدلهای تولید شده و ثبت نتایج دقت پیش‌بینی بیماری تیروئید با استفاده از روش شبکه عصبی 6/96% و روش سلسله مراتبی 100% به دست آمد.
نتیجه‌گیری: کاهش خطای تشخیص بیماری تیروئید همواره یکی از اهداف محققین بوده است. استفاده از روشهای مبتنی بر داده‌کاوی میتواند به کاهش این خطا کمک کند. این مطالعه ضمن تشخیص بیماری تیروئید به کمک شبکه‌های عصبی، نشان می‌دهد که ارائه روش قوی‌تری به نام ترکیب شبکه‌های عصبی به صورت سلسله مراتبی منجر به بهبود دقت تشخیص می‌شود.
واژه‌های کلیدی: شبکه عصبی مصنوعی، شبکه MLP، ترکیب شبکه های عصبی، تشخیص بیماری تیروئیدی، تشخیص نوع تیروئید
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
