تشخيص بيماري تيروئيد با استفاده از روش تركيب شبكه‏ هاي عصبي مصنوعي با الگورريتم ژنتيك

Hybrid artificial neural network and genetic algorithm for diagnosis of thyroid diseases

بيماري¬هاي غده تيروئيد از جمله بيماري¬هايي به‌شمار مي¬روند كه در آن¬ها تشخيص بهنگام و صحيح اختلالات تيروئيد بر پايه تست‌هاي آزمايشگاهي و علايم بيماري امري حياتي مي¬باشد. عدم تشخيص به موقع عملكرد غيرطبيعي تيروئيد، مي‏تواند عوارض جبران‌ناپذيري براي بيمار در پي داشته و منجر به مرگ وي گردد. هدف ما در اين پژوهش تعيين وضيعت غده تيروئيد از نظر نرمال بودن، پركاري يا كم‌كاري تيروئيد با استفاده از تكنيك‌هاي داده¬¬كاوي مي‌باشد. اين مطالعه از نوع توصيفي-تحليلي بوده و پايگاه داده آن شامل 7200 ركورد مستقل مبتني بر 21 ويژگي و برگرفته شده از مرجع داده UCI مي‏باشد. در اين پژوهش روش شبكه‏هاي عصبي و روش تركيب شبكه‏هاي عصبي با الگوريتم زنتيك به منظور تشخيص بيماري تيروئيد ارائه مي‏شود. پس از مدل‏سازي و مقايسه مدل‏هاي توليد شده توانستيم بيماري تيروئيد را با استفاده از روش‏ تركيب شبكه‏هاي عصبي با الگوريتم ژنتيك با معيارهاي ارزيابي ضريب تبيين8299/0R2= و متوسط مربع خطا 0057/0MSE= پيش‏بيني كنيم. شبكه طراحي شده با اين روش داراي كم‏ترين خطا نسبت به شبكه‏هاي عصبي است. هم‏چنين، ميزان خطاي پيش‏بيني توسط مدل شبكه‏هاي عصبي مصنوعي تركيب شده با استفاده از الگوريتم ژنتيك از لحاظ معيارهاي ارزيابي عملكرد نسبت به روش شبكه‏هاي عصبي مصنوعي برتري دارد.

Thyroid disease is one of the diseases in which a correct diagnosis of thyroid disorders based on laboratory tests and disease symptoms is vital. Wrong diagnosis of abnormal thyroid can result in irreversible complications for the patient and death. Our goal in this research is to determine the thyroid gland status in terms of normal, hyperthyroidism or hypothyroidism using data mining techniques. This is a descriptive-analytic study with a database of 7200 independent records based on 21 characteristics and derived from the UCI dataset. In this study, the method of neural networks and the combination of neural networks with a genetic algorithm for diagnosis of thyroid disease are presented. After modeling and comparing the produced models, we could predict thyroid disease using the combination of neural networks with genetic algorithm with the estimation coefficients of R2 = 0.899 and mean square error of MSE = 0.0057. The network designed with this method has the least error compared to neural networks. Also, the prediction error rate is superior to the artificial neural network method by the model of artificial neural networks combined with the use of genetic algorithm in terms of performance evaluation criteria.