مقایسه‌ی کارایی الگوریتم‌های داده‌کاوی در تشخیص بیماری تیروئید

زمینه و هدف: تشخیص به‌موقع عملکرد غیرطبیعی تیروئید و به دنبال آن در پیش گرفتن درمان صحیح، می تواند باعث کاهش مرگ‌ومیر مرتبط با این بیماری شود. هم چنین عدم‌تشخیص به‌موقع، عوارض جبران‌ناپذیری برای بیمار در پی خواهد داشت. این مطالعه، با هدف تعیین وضعیت غده تیروئید از نظر نرمال بودن، پرکاری یا کم‌کاری با استفاده از تکنیک های داده‌کاوی انجام‌شده است.روش بررسی: تولید مدل پیش ‌بینی کننده به‌منظور طبقه‌بندی بیماری تیروئید، پس از پیش‌پردازش داده ‌ها با استفاده از روش‌های نظارت‌شده 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 برگرفته‌شده از مرجع داده یادگیری ماشین uci می باشد.یافته‌ها: در روش نظارت‌شده 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. نتیجه‌گیری: کاهش خطای تشخیص بیماری تیروئید یکی از اهداف محققان بوده است. استفاده از روش های مبتنی بر داده‌کاوی می تواند به کاهش این خطا کمک کند. در این مطالعه تشخیص بیماری تیروئید به کمک روش های مختلف تشخیص الگو صورت گرفت. نتایج نشان می دهد که مدل عصبی فازی دارای حداقل میزان خطا و بیشترین دقت است.

Comparison of Data Mining Algorithms' Efficiency in Thyroid Disease Diagnosis

Background and Aim: Timely diagnosis and treatment of abnormal thyroid function can reduce the mortality associated with this disease. However, lack of timely diagnosis will have irreversible complications for the patient. Using data mining techniques, the aim of this study is to determine the status of the thyroid gland in terms of normality, hyperthyroidism or hypothyroidism.Materials and Methods: Using supervised and unsupervised methods after data preprocessing, predictive modeling was performed to classify thyroid disease. This is an analytical study and its dataset contains 215 independent records based on 5 continuous features retrieved from the UCI machine learning data reference.Results: In supervised method, multilayer perception(MLP), learning vector quantization(LVQ), and fuzzy neural network(FNN) were used; and in unsupervised method, fuzzy clustering was employed. Besides, these precision figures(0.055, 0.274, 0.012 and 1.031) were obtained by root mean square error(RMSE) method, respectively.Conclusion: Reducing the diagnosis error of thyroid disease was one of the goals of researchers. Using data mining techniques can help reduce this error. In this study, thyroid disease was diagnosed by different pattern recognition methods. The results show that the fuzzy neural network(FNN) has the least error rate and the highest accuracy.