مدل طبقه‌بندی مبتنی بر سیستم استنتاج فازی ممدانی برای تشخیص اختلال تیروئید

هدف: طبقه بندی و پیش بینی یکی از مهم ترین کاربردهای روش های آماری در حوزه ی پزشکی است. با توجه به این که طبقه بندی های مبتنی بر مدل های کلاسیک عمدتاً بر اساس علائم بالینی موجود بوده و از اطلاعات و دانش افراد متخصص استفاده نمی شود، بنابراین استفاده از یک طبقه بندی کننده که برای طبقه بندی بیماری قادر به ترکیب اطلاعات موجود باشد، ضرورت دارد. لذا هدف از این پژوهش طراحی یک سیستم پشتیبان تصمیم گیری برای طبقه بندی اختلال تیروئید با استفاده از رویکرد منطق فازی است.مواد و روش ها: مجموعه داده ها شامل اطلاعات 310 نفر بود که برای بررسی وضعیت بیماری تیروئید خود به بیمارستان شهید بهشتی و کلینیک امام خمینی (ره) همدان در سال 1396 مراجعه کرده اند. از این تعداد 105 نفر سالم، 150 نفر کم کاری تیروئید و 55 نفر پرکاری تیروئید داشته اند. در این سیستم فازی از متغیرهای سن و bmi و هم چنین تست های آزمایشگاهی از قبیل t4، tsh و t3، نمره ی علائم پرکاری تیروئید و نمره ی علائم کم کاری تیروئید به عنوان پارامترهای ورودی و متغیرخروجی نیز وضعیت سلامت فرد را نشان می دهد و شامل سه حالت سالم، کم کاری تیروئید و پرکاری است. در مدل طبقه فازی طراحی شده مدل استنتاج ممدانی max-min و روش غیر فازی سازی مرکز ثقل (centroid) با به کارگیری جعبه ابزار فازی در نرم افزار matlab.2013 استفاده شده است.یافته ها: مدل طبقه بندی فازی مبتنی بر قواعد اگر آنگاه در هر دو مجموعه ی تست و آموزش بر اساس شاخص هایی از قبیل مساحت زیر منحنی راک، دقت، حساسیت و ویژگی از عملکرد بسیار خوبی برای پیش بینی اختلال تیروئید برخوردار است.نتیجه گیری: سیستم های طبقه بندی فازی مبتنی بر قوانین اگر-آنگاه، با به کارگیری مجموعه هایی که قابلیت هم پوشانی دارند، پتانسیل بالایی برای مدیریت عدم قطعیت مرتبط با تشخیص پزشکی دارند. همچنین با فراهم کردن امکان استفاده از متغیرهای زبانی در فرآیند تصمیم گیری و طراحی، تفسیرپذیری نتایج را برای پزشکانی که با مفاهیم مدل سازی آشنایی ندارند بهبود بخشیده است.

Thyroid disorder diagnosis based on Mamdani fuzzy inference system classifier

Introduction: Classification and prediction are two most important applications of statistical methods in the field of medicine. According to this note that the classical classification are provided due to the clinical symptom and  do not involve the use of specialized information and knowledge. Therefore, using a classifier that can combine all this information, is necessary. The aim of this study was to design a decision support system for classification of thyroid disorder using fuzzy if and then classifier.Materials and Methods: The data consisted of 310 patients, including 105 healthy people, 150 hypothyroidisms and 55 hyperthyroidisms, who referred to Shahid Beheshti Hospital and Imam Khomeini Clinic of Hamadan (Iran) in order to investigate the status of their thyroid disease. In this fuzzy system variable including age and BMI, as well as laboratory tests such as TSH, T4, and T3, the score of hyperthyroid and hypothyroid symptoms used as input and the output variable includes individual health status. The maxmin Mamdani inference system along with center of gravity deffizifier have been used in the fuzzy toolbox of MATLAB software.Results: The fuzzy rulebased classification model had a great performance for predicting thyroid disorder in the both test and train sets.Conclusion: Fuzzy rulesbased classifier by using overlapping sets, had a high potential for managing the uncertainty associated with medical diagnosis. Also, by enabling the use of linguistic variables in the decision making process and design, the interpretation of the results has improved for doctors who are not familiar with modeling concepts.