مقایسه ی کارایی الگوریتم های داده کاوی در تشخیص بیماری تیروئید

تشخیص به موقع عملکرد غیرطبیعی تیرویید و به دنبال آن در پیش گرفتن درمان صحیح، می‏تواند باعث کاهش مرگ ومیر مرتبط با این بیماری شود. هم‏چنین عدم تشخیص به موقع، عوارض جبران ناپذیری برای بیمار در پی خواهد داشت. این مطالعه، با هدف تعیین وضعیت غده تیرویید از نظر نرمال بودن، پرکاری یا کم کاری با استفاده از تکنیک‏های داده کاوی انجام شده است.

تولید مدل پیش‏ بینی کننده به منظور طبقه بندی بیماری تیرویید، پس از پیش پردازش داده‏ ها با استفاده از روش های نظارت شده و بدون ناظر انجام گردید. این مطالعه از نوع تحلیلی بوده و پایگاه داده ی آن شامل 215 رکورد مستقل مبتنی بر 5 ویژگی پیوسته و برگرفته شده از مرجع داده یادگیری ماشین UCI می‏باشد.

یافته ها:

 در روش نظارت شده از شبکه‏ های عصبی پرسپترون چندلایه و شبکه عصبی بردار یادگیر و شبکه عصبی فازی و در روش بدون نظارت از خوشه ‏بندی فازی استفاده گردید. با روش حداقل مربعات خطا (RMSE) به ترتیب دقت‏ های 0/055 و 0/274 و 0/012 و 0/031 حاصل شد.

نتیجه گیری: 

کاهش خطای تشخیص بیماری تیرویید یکی از اهداف محققان بوده است. استفاده از روش‏ های مبتنی بر داده کاوی می‏ تواند به کاهش این خطا کمک کند. در این مطالعه تشخیص بیماری تیرویید به کمک روش‏های مختلف تشخیص الگو صورت گرفت. نتایج نشان می‏ دهد که مدل عصبی فازی دارای حداقل میزان خطا و بیشترین دقت است.