مدل طبقه‌بندي مبتني بر سيستم استنتاج فازي ممداني براي تشخيص اختلال تيروئيد

چكيده: (814 مشاهده) هدف: طبقه‌بندي و پيش‌بيني يكي از مهم‌ترين كاربردهاي روش‌هاي آماري در حوزه‌ي پزشكي است. با توجه به اين‌كه طبقه‌بندي‌هاي مبتني بر مدل‌هاي كلاسيك عمدتاً بر اساس علائم باليني موجود بوده و از اطلاعات و دانش افراد متخصص استفاده نمي‌شود، بنابراين استفاده از يك طبقه‌بندي‌كننده كه براي طبقه‌بندي بيماري قادر به تركيب اطلاعات موجود باشد، ضرورت دارد. لذا هدف از اين پژوهش طراحي يك سيستم پشتيبان تصميم‌گيري براي طبقه‌بندي اختلال تيروئيد با استفاده از رويكرد منطق فازي است. مواد و روش‌ها: مجموعه داده‌ها شامل اطلاعات 310 نفر بود كه براي بررسي وضعيت بيماري تيروئيد خود به بيمارستان شهيد بهشتي و كلينيك امام خميني (ره) همدان در سال 1396 مراجعه كرده‌اند. از اين تعداد 105 نفر سالم، 150 نفر كم‌كاري تيروئيد و 55 نفر پر‌كاري تيروئيد داشته‌اند. در اين سيستم فازي از متغيرهاي سن و BMI و هم‌چنين تست‌هاي آزمايشگاهي از قبيل TSH، T4 و T3، نمره‌ي علائم پركاري تيروئيد و نمره‌ي علائم كم‌كاري تيروئيد به عنوان پارامترهاي ورودي و متغيرخروجي نيز وضعيت سلامت فرد را نشان مي‌دهد و شامل سه حالت سالم، كم‌كاري تيروئيد و پر‌‌كاري است. در مدل طبقه فازي طراحي شده مدل استنتاج ممداني max-min و روش غير فازي‌سازي مركز ثقل (Centroid) با به‌كار‌گيري جعبه ابزار فازي در نرم‌افزار MATLAB.2013 استفاده شده است. يافته‌ها: مدل طبقه‌بندي فازي مبتني بر قواعد اگر آنگاه در هر دو مجموعه‌ي تست و آموزش بر اساس شاخص‌هايي از قبيل مساحت زير منحني راك، دقت، حساسيت و ويژگي از عملكرد بسيار خوبي براي پيش‌بيني اختلال تيروئيد برخوردار است. نتيجه‌گيري: سيستم‌هاي طبقه‌بندي فازي مبتني بر قوانين اگر-آنگاه، با به‌كارگيري مجموعه‌هايي كه قابليت هم‌پوشاني دارند، پتانسيل بالايي براي مديريت عدم قطعيت مرتبط با تشخيص پزشكي دارند. هم‌چنين با فراهم كردن امكان استفاده از متغيرهاي زباني در فرآيند تصميم‌گيري و طراحي، تفسير‌پذيري نتايج را براي پزشكاني كه با مفاهيم مدل‌سازي آشنايي ندارند، بهبود بخشيده است.

Introduction: Classification and prediction are two most important applications of statistical methods in the field of medicine. According to this note that the classical classification are provided due to the clinical symptom and do not involve the use of specialized information and knowledge. Therefore, using a classifier that can combine all this information, is necessary. The aim of this study was to design a decision support system for classification of thyroid disorder using fuzzy if and then classifier. Materials and Methods: The data consisted of 310 patients, including 105 healthy people, 150 hypothyroidisms and 55 hyperthyroidisms, who referred to Shahid Beheshti Hospital and Imam Khomeini Clinic of Hamadan (Iran) in order to investigate the status of their thyroid disease. In this fuzzy system variable including age and BMI, as well as laboratory tests such as TSH, T4, and T3, the score of hyperthyroid and hypothyroid symptoms used as input and the output variable includes individual health status. The max-min Mamdani inference system along with center of gravity deffizifier have been used in the fuzzy toolbox of MATLAB software. Results: The fuzzy rule-based classification model had a great performance for predicting thyroid disorder in the both test and train sets. Conclusion: Fuzzy rules-based classifier by using overlapping sets, had a high potential for managing the uncertainty associated with medical diagnosis. Also, by enabling the use of linguistic variables in the decision making process and design, the interpretation of the results has improved for doctors who are not familiar with modeling concepts.