مقايسه ي كارايي الگوريتم هاي داد هكاوي در تشخيص بيماري تيروئيد

Comparison of Data Mining Algorithms' Efficiency in Thyroid Disease Diagnosis

زمينه و هدف: تشخيص به‌موقع عملكرد غيرطبيعي تيروئيد و به­دنبال آن در پيش گرفتن درمان صحيح، ميتواند باعث كاهش مرگ‌ومير مرتبط با اين بيماري شود. همچنين عدم‌تشخيص به‌موقع، عوارض جبران‌ناپذيري براي بيمار در پي خواهد داشت. اين مطالعه، با هدف تعيين وضعيت غده تيروئيد از نظر نرمال بودن، پركاري يا كم‌كاري با استفاده از تكنيكهاي داده‌كاوي انجام‌شده است. روش بررسي: توليد مدل پيش‌بيني كننده به‌منظور طبقه‌بندي بيماري تيروئيد، پس از پيش‌پردازش داده‌ها با استفاده از روش‌هاي نظارت‌شده و بدون ناظر انجام گرديد. اين مطالعه از نوع تحليلي بوده و پايگاه داده ­ي آن شامل 215 ركورد مستقل مبتني بر 5 ويژگي پيوسته و برگرفته‌شده از مرجع داده يادگيري ماشين UCI ميباشد. يافته‌ها: در روش نظارت‌شده از شبكه هاي عصبي پرسپترون چندلايه و شبكه عصبي بردار يادگير و شبكه عصبي فازي و در روش بدون نظارت از خوشه بندي فازي استفاده گرديد. با روش حداقل مربعات خطا (RMSE) به ­ترتيب دقت هاي 0/055 و 0/274 و 0/012 و 0/031 حاصل شد. نتيجه‌گيري: كاهش خطاي تشخيص بيماري تيروئيد يكي از اهداف محققان بوده است. استفاده از روش هاي مبتني بر داده‌كاوي مي تواند به كاهش اين خطا كمك كند. در اين مطالعه تشخيص بيماري تيروئيد به كمك روشهاي مختلف تشخيص الگو صورت گرفت. نتايج نشان مي دهد كه مدل عصبي فازي داراي حداقل ميزان خطا و بيشترين دقت است.

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.