Derin öğrenme ile tiroit hastalığı teşhisinde özellik seçme

Abstract

Tiroid bezi, vücudun metabolizmasını düzenlemeye yardımcı olmak için tiroid hormonları üretir. Tiroid hormonlarının üretimindeki anormallikler iki kategoriye ayrılır: tiroid hormonunun yetersiz üretimine bağlı hipotiroidizm ve tiroid hormonunun aşırı üretimine bağlı hipertiroidizm. Bu iki hastalığın ayrılması tiroid teşhisi için çok önemlidir. Tiroid hastalığı, tiroid hastalıklarının zamanında ve doğru teşhisinin laboratuvar tetkiklerine ve semptomlarına göre yaşamsal önem taşıdığı hastalıklardan biridir. Anormal tiroid fonksiyonunun zamanında teşhis edilememesi, hasta için geri dönüşü olmayan komplikasyonlara ve ölümüne yol açabilir. Bu çalışmada amacımız, tiroid bezinin normal, hipertiroidizm veya hipotiroidizm açısından durumunu veri madenciliği teknikleri kullanarak belirlemektir. Bu nedenle sınıflandırma için derin öğrenme algoritması önerilmiştir. Bu yöntemler, gereksiz ve ilgisiz özelliklerle başa çıkmak için daha güçlü sınıflandırma algoritmalarına dayanır. Bu makalede, özellik seçimi, tespit yoluyla önemli bir konu olarak tartışılıyor ve emperyalist rekabet algoritmalarının, algılama oranlarını iyileştiren iyi özellik alt kümelerini seçmek için basit, genel ve güçlü bir çerçeve sağladığını gösteriyor.Bu çalışma bir tanımlayıcı-analitik bir çalışmadır ve veritabanı, 21 risk faktörüne dayanan ve UCI veri referansından alınan 7200 bağımsız kayıt içerir. Bu çalışma önce derin öğrenme sinir ağının tiroid hastalığını teşhis etme işlevini inceliyor ve ardından emperyalist rekabet adı verilen bir algoritma en iyi özellikler eçiliyor. Sonuçlar, veri setinde uygulanan sınıflandırma için derin öğrenme algoritması ve emperyalist rekabetçi algoritmanın daha iyi, daha yüksek performans ve% 97,62 doğruluk oranına sahip olduğunu göstermektedir.

The thyroid gland produces thyroid hormones to help regulate the body's metabolism. Abnormalities in the production of thyroid hormones fall into two categories: hypothyroidism due to insufficient production of thyroid hormone and hyperthyroidism due to overproduction of thyroid hormone. Separating these two diseases is very important for thyroid diagnosis. Thyroid disease is one of the diseases in which timely and correct diagnosis of thyroid diseases is vital according to laboratory tests and symptoms. Failure to diagnose abnormal thyroid function in a timely manner can lead to irreversible complications and death for the patient. In this study, our aim is to determine the normal state of the thyroid gland in terms of hyperthyroidism or hypothyroidism using data mining techniques. Therefore, a deep learning algorithm has been proposed for classification. These methods rely on stronger classification algorithms to deal with unnecessary and unrelated features. In this article, feature selection is discussed as a key issue through detection and shows that imperialist competition algorithms provide a simple, general, and powerful framework for selecting good feature subsets that improve detection rates.This study is a descriptive-analytical study, and the database is 21 risk. It contains 7200 independent records based on the UCI data reference. This study first examines the function of the deep learning neural network to diagnose thyroid disease and then best features an algorithm called imperialist competition. The results show that the deep learning algorithm and the imperialist competitive algorithm for the classification applied in the data set have better, higher performance and an accuracy rate of 97.62%.