نقش هوش مصنوعي در تشخيص بيماري كم كاري غده تيروئيد با تأكيد بر شبكه هاي عصبي

The role of artificial intelligence in diagnosis of hypothyroidism with emphasis on neural networks

امروزه با پيشرفت تكنولوژي و گسترش استفاده از كامپيوتر در زمينه پزشكي، سيستم هاي هوشمند و به ويژه شبكه هاي عصبي مصنوعي، از اهميت قابل توجهي در تشخيص بيماري هاي مختلف برخوردار هستند. مشكل عمده در علوم پزشكي، رسيدن به تشخيص صحيح بيماري است و تفسير مناسب از داده هاي عملكردي، يكي از موارد مهم در تشخيص بيماري است. در اين بررسي با مطالعه دقيق شبكه هاي عصبي مصنوعي پرسپترون چند لايه و تابع پايه شعاعي و با بهره گيري از پايگاه داده مؤسسه گاروان و مؤسسه والز سيدني استراليا به تشخيص بيماري كم كاري غده تيروئيد پرداختيم. نتايج تحقيق نشان داد كه دقت و قدرت تشخيص بيماري كم كاري غده تيروئيد در روش شبكه عصبي پرسپترون در كلاس هاي كم كاري اوليه و جبراني، بيشتر از شبكه عصبي تابع پايه شعاعي مي باشد. همچنين دقت و قدرت تشخيص بيماري كم كاري غده تيروئيد شبكه عصبي تابع پايه شعاعي در كلاسهاي منفي و كم كاري ثانويه، بيشتر از روش شبكه عصبي پرسپترون است.

Today, with the advancement of technology and the spread of computer use in the medical field, intelligent systems, and especially artificial neural networks, are of great importance in diagnosing various diseases. The major problem in the medical sciences is to achieve the correct diagnosis of the disease, and the proper interpretation of functional data is one of the important issues in diagnosing the disease. In this study, we studied the artificial neural networks of the multilayer perceptron and the radial base function using the Garavan Institute database and Australian Wales Institute for the diagnosis of hypothyroidism in the thyroid gland. The results of this study showed that the accuracy and power of diagnosis of hypothyroidism in the perceptron neural network method in primary and compensatory classes are more than radial base function neural network. Also, the accuracy and power of diagnosis of hypothyroidism in the thyroid gland with the neural network of the radial base function in negative and secondary classes are more than the perceptron neural network method.