دوره 9، شماره 3 - ( پاییز 1402 )
جلد 9 شماره 3 صفحات 233-222 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Hosseinpoor M. Presenting a Smart Model for Distinguishing Patients With Thyroid Diseases From Healthy People by Combining Particle Swarm Optimization Algorithm and Artificial Neural Network. JMIS 2023; 9 (3) :222-233
URL: http://jmis.hums.ac.ir/article-1-447-fa.html
URL: http://jmis.hums.ac.ir/article-1-447-fa.html
حسین پور محمدجواد. ارائه مدلی هوشمند برای تشخیص بیماران مبتلا به بیماری های تیروئید از افراد سالم با ترکیب الگوریتم بهینه سازی ازدحام ذرات و شبکه عصبی مصنوعی. اطلاع‌رسانی پزشکی نوین. 1402; 9 (3) :222-233
گروه مهندسی کامپیوتر، دانشکده مهندسی کامپیوتر، واحد استهبان، دانشگاه آزاد اسلامی، استهبان، ایران.
متن کامل [PDF 4659 kb]
(212 دریافت)
| چکیده (HTML) (359 مشاهده)
متن کامل: (369 مشاهده)
مقدمه
پیش‌بینی بیماری‌ها یک فرآیند بسیار سخت و پیچیده برای افراد خبره در علوم پزشکی محسوب می‌شود [1]، بنابراین، لزوم استفاده از روش‌های مناسب هوش مصنوعی و مدل‌های یادگیر جهت اتخاذ تشخیص صحیح در مسائل پزشکی ضروری به نظر می‌رسد [2]. درنتیجه استفاده از الگوریتم‌ها و تکنیک‌های هوشمند و یادگیر می‌تواند الگوها و نتایجی را برای محققین فراهم کند [3] که عوامل ابتلا به بیماری‌های مختلف را نشان دهد و براساس آن نتایج، پزشکان و دست‌اندرکاران علوم پزشکی در پیشگیری آن بیماری اقدام کنند [4].
استخراج دانش از میان حجم انبوه دادهها بااستفاده‌از مدل‌های یادگیر می‌تواند منجر به شناسایی قوانین حاکم بر بیماری‌ها شود و اطلاعات ارزشمندی را به منظور شناسایی علل بیماری‌ها، تشخیص، پیش‌بینی و درمان بیماری‌ها باتوجهبه عوامل محیطی در اختیار متخصصان حوزه سلامت قرار دهد [5] و این مسئله به معنای عمر و ایجاد آرامش برای افراد جامعه است [6]. در این پژوهش، از مدل‌های یادگیر جهت پیش‌بینی بیماری تیروئید استفاده شده است. هورمون‌های تیروئید پس از ساخته شدن در غده تیروئید به جریان خون منتقل می‌شوند و بسیاری از فرآیند‌های شیمیایی را در بخش‌های مختلف بدن کنترل می‌کنند [7]. این هورمون‌ها برای تکامل و عملکرد طبیعی مغز و سیستم عصبی و برای حفظ دمای بدن و انرژی ضروری هستند [8]. غده تیروئید هورمون‌های خود را در خون ترشح می‌کند [9].
این هورمون‌ها (یعنی تری‌یدوتیرونین و تیروکسین) واکنش‌های شیمیایی عضلات، کبد، قلب و کلیه‌ها را تحت تآثیر قرار می‌دهد و برای رشد و تکامل مغز نیز ضروری‌اند [10]. هورمون‌های تیروئید بر غده هیپوفیز اثر می‌گذارد و موجب ترشح هورمون کنترل‌کننده تیرئید می‌شوند که به نوبه خود موجب تحریک تیروئید می‌شود [11]. وقتی میزان هورمون‌های تیروئید در خون کاهش می‌یابد، هیپوفیز با ترشح بیشتر هورمون کنترل‌کننده تیروئید، تیروئید را فعال‌تر می‌کند [12]. معمولاً تست هورمون کنترل‌کننده تیروئید اصلی‌ترین و مهم‌ترین ارزیابی است، اما همراه با آن ممکن است هورمون تری یدوتیرونین و هورمون تیروکسین، کل مقادیر متصل به پروتئین و همچنین مقادیر آزاد آن (تری یدوتیرونین آزاد و تیروکسین آزاد) مورد بررسی قرار گیرند [13].
به‌دلیل وجود حجم عظیمی از دادهها در پایگاههای داده پزشکی کشور در مورد افراد مبتلا به بیماری تیروئید، امکان استخراج عوامل پیش‌بینی این بیماری توسط متخصصین بااستفاده‌از استخراج دانش از این حجم عظیم داده عملاً امکان‌پذیر نخواهد بود [14]. بنابراین وجود الگوریتمهای داده‌کاوی و یادگیری ماشین جهت کشف الگوی‌‌های پنهان در این دادهها و تشخیص و پیش‌بینی این بیماری احساس می‌شود. همچنین پژوهشهای پیشین در این زمینه مورد بررسی قرار داده شده است.
در مقاله عسگری و خسروی دانش [15، 16] با عنوان تشخیص بیماری تیروئید با استفاده از الگوریتم طبقه‌بندی فازی عصبی، نشان داده شد تشخیص بیماری تیروئید می‌تواند بسیار مشکل باشد چون علائم آن به راحتی با شرایط دیگر اشتباه گرفته می‌شود. بنابراین تشخیص بهنگام و صحیح بی‌نظمی‌های تیروئید بر پایه تست‌های آزمایشگاهی و علائم بیماری امری حیاتی است، سیستم‌های خبره یا سیستم‌های مبتنی بر دانش، رایج‌ترین نوع سیستم‌های (سیستم خبره مبتنی بر هوش مصنوعی) هوش مصنوعی در پزشکی هستند.
معززی و همکاران [17]، تحقیقات خود را بر روی 45 مورد بیمار با درمان لووتیروکسین و 14 نفر سالم انجام دادند. در این راستا آن‌ها هورمون‌های برداشت تری یدوتیرونین (T3RU)، تری یدوتیرونین (T3)، تیروکسین (T4) و هورمون کنترل‌کننده تیروئید قبل از تزریق 250 میکروگرم هورمون آزادکننده تیروتروپین و 30 دقیقه بعد از تزریق فقط هورمون کنترل‌کننده تیروئید اندازه‌گیری و به فاصله 7 تا 11 روز بعد در این افراد آزمون تحمل گلوکز انجام شد. سپس در آخر، یافته‌های به‌دست‌آمده از افراد مبتلا به پرکاری تیروئید و افراد سالم را با هم مقایسه کردند.
هورمون کنترل‌کننده تیروئید TSH
در مقاله ساراواسی و همکاران [18]، تشخیص پزشکی می‌تواند به‌عنوان یک مسئله طبقه‌بندی در نظر گرفته شود. براساس مجموعه‌ای از ویژگی‌های ورودی، هدف این است که یک بیمار را به‌عنوان یک اختلال خاص طبقه‌بندی کند یا اینکه به آن نیاز نداشته باشد. مشکلات هورمون تیروئید در حال حاضر شایع‌ترین مشکلات هستند. در این مقاله یک رویکرد شبکه عصبی مصنوعی بااستفاده‌از یک الگوریتم تکثیر برگشتی برای تشخیص مشکلات تیروئید توسعه داده شده است. تعدادی از عوامل به‌عنوان ورودی هستند و خروجی تولید می‌کنند که نتیجه آن این است که آیا یک فرد مشکل دارد یا سالم است. مشخص شده است که الگوریتم انتشار عقب دارای حساسیت و خاصیت بالا است. همچنین مدل پیشنهادی آن‌ها در نهایت به‌دقت 94 درصد دست یافته است.
در مقاله پررانا و همکاران [19]، همه موجودات زنده به یک یا چند راه دیگر در معرض اختلال در سلامتی هستند. بیماری تیروئید یک علت اصلی نگرانی در تشخیص پزشکی و پیش‌بینی است، شروع آن در پژوهشهای پزشکی یک پیشنهاد دشوار است. پیش‌بینی دقیق بیماری با درک علائم و گزارش‌های آسیب‌شناسی، با نگاه کردن به الگوهای تولید و الگوهای گزارش تولیدشده ممکن است. بااستفاده‌از الگوریتمهای یادگیری ماشین، سیستم پیش‌بینی کامپیوتری را می‌توان بااستفاده‌از شبکه‌های عصبی مصنوعی توسعه داد. نمونه‌هایی از تیروئید را پس از تمیز کردن و پیش پردازش جمع‌آوری و آن‌ها را به هیپو تیروئید، طبیعی تبدیل کرده‌اند. مجموعه دادهها برای آموزش و تست به نسبت 80 به 20 تقسیم شده است. شبکه‌های عصبی مصنوعی اعمال‌شده به این مجموعه در جعبه ابزار شبکه‌های عصبی مصنوعی از نرم‌افزار متلب (زبان برنامه‌نویسی متلب) اجرا شد که با دقت 85 درصد در طی مرحله آموزش مدل انجام شد. این مدل با کلاس‌های مختلف ورودی مورد آزمایش قرار گرفت و درنتیجه 82 درصد دقت داشت.
در مقاله ژانگ و همکاران [20]، بااستفاده‌از شبکه‌های عصبی کانولوشنال عمیق، بااستفاده‌از مقایسه چند طبقه‌بندی با سونوگرافی و توموگرافی کامپیوتری بیماری تیروئید را تشخیص دادند. در این مقاله، از تکنیک‌های مبتنی بر یادگیری عمیق برای تشخیص خودکار بیماری‌های تیروئید استفاده شده است که می‌تواند به پزشکان در تصمیم‌گیری تشخیصی کمک کند. این مطالعه پژوهشی اولین مطالعه در نوع خود است که دو روش تصویر پزشکی قبل از عمل را برای انواع بیماری‌های تیروئیدی چند طبقه‌بندی (یعنی طبیعی، تیروئیدیت، کیستیک، گواتر چند ندولار، آدنوم و سرطان) اتخاذ می‌کند. در این مقاله، بااستفاده‌از معماری شبکه عصبی کانولوشنال، یک مدل تشخیصی بیماری تیروئید را برای تمایز بین انواع بیماری ایجاد می‌کند. مدل موردنظر، دقت بی‌سابقه‌ای را برای مجموعه اسکن‌های سی‌تی‌اسکن به دست می‌آورد. مدل پیشنهادی توانست با دقت 0/942 افراد بیمار را شناسایی کند.
در تمامی پژوهشهای پیش‌گفت، مدل‌های ارائه‌شده همگی مدل‌های با نظارت بوده‌اند. حال در این پژوهش، سعی شده است بااستفاده‌از روشی یادگیر و بدون نظارت، مبتنی بر تکنیک شبکه عصبی مصنوعی به پیش‌بینی افراد مبتلا به بیماری تیروئید پرداخته شود. در ادامه مدل پیشنهادی و نتایج حاصله تشریح می‌شود.
مواد و روش‌ها
پژوهش حاضر از نوع کاربردی‌پیمایشی بوده و در سال 1401 انجام شده است. مجموعه داده مورداستفاده در این پژوهش، مربوط به بررسی و جمع‌آوری میدانی اطلاعات و نمونه‌گیری هدفمند بیش از 400 پرونده بیماران مراجعهکننده به بیمارستان امام رضا(ع) شهرستان لارستان از سال 1400 تا 1401 میباشد. رویکرد پیشنهادی در این پژوهش، یک رویکرد یادگیری بدون نظارت جهت تشخیص تیروئید در افراد مبتلا به این بیماری میباشد. الگوریتم مورد نظر، یک الگوریتم ترکیبی تکاملی حاصل از آمیختگی الگوریتم بهینهسازی ازدحام ذرات و شبکه عصبی مصنوعی میباشد.
مطابق تصویر شماره 1، مدل پیشنهادی شامل 3 فاز اصلی میباشد.
پیش‌بینی بیماری‌ها یک فرآیند بسیار سخت و پیچیده برای افراد خبره در علوم پزشکی محسوب می‌شود [1]، بنابراین، لزوم استفاده از روش‌های مناسب هوش مصنوعی و مدل‌های یادگیر جهت اتخاذ تشخیص صحیح در مسائل پزشکی ضروری به نظر می‌رسد [2]. درنتیجه استفاده از الگوریتم‌ها و تکنیک‌های هوشمند و یادگیر می‌تواند الگوها و نتایجی را برای محققین فراهم کند [3] که عوامل ابتلا به بیماری‌های مختلف را نشان دهد و براساس آن نتایج، پزشکان و دست‌اندرکاران علوم پزشکی در پیشگیری آن بیماری اقدام کنند [4].
استخراج دانش از میان حجم انبوه دادهها بااستفاده‌از مدل‌های یادگیر می‌تواند منجر به شناسایی قوانین حاکم بر بیماری‌ها شود و اطلاعات ارزشمندی را به منظور شناسایی علل بیماری‌ها، تشخیص، پیش‌بینی و درمان بیماری‌ها باتوجهبه عوامل محیطی در اختیار متخصصان حوزه سلامت قرار دهد [5] و این مسئله به معنای عمر و ایجاد آرامش برای افراد جامعه است [6]. در این پژوهش، از مدل‌های یادگیر جهت پیش‌بینی بیماری تیروئید استفاده شده است. هورمون‌های تیروئید پس از ساخته شدن در غده تیروئید به جریان خون منتقل می‌شوند و بسیاری از فرآیند‌های شیمیایی را در بخش‌های مختلف بدن کنترل می‌کنند [7]. این هورمون‌ها برای تکامل و عملکرد طبیعی مغز و سیستم عصبی و برای حفظ دمای بدن و انرژی ضروری هستند [8]. غده تیروئید هورمون‌های خود را در خون ترشح می‌کند [9].
این هورمون‌ها (یعنی تری‌یدوتیرونین و تیروکسین) واکنش‌های شیمیایی عضلات، کبد، قلب و کلیه‌ها را تحت تآثیر قرار می‌دهد و برای رشد و تکامل مغز نیز ضروری‌اند [10]. هورمون‌های تیروئید بر غده هیپوفیز اثر می‌گذارد و موجب ترشح هورمون کنترل‌کننده تیرئید می‌شوند که به نوبه خود موجب تحریک تیروئید می‌شود [11]. وقتی میزان هورمون‌های تیروئید در خون کاهش می‌یابد، هیپوفیز با ترشح بیشتر هورمون کنترل‌کننده تیروئید، تیروئید را فعال‌تر می‌کند [12]. معمولاً تست هورمون کنترل‌کننده تیروئید اصلی‌ترین و مهم‌ترین ارزیابی است، اما همراه با آن ممکن است هورمون تری یدوتیرونین و هورمون تیروکسین، کل مقادیر متصل به پروتئین و همچنین مقادیر آزاد آن (تری یدوتیرونین آزاد و تیروکسین آزاد) مورد بررسی قرار گیرند [13].
به‌دلیل وجود حجم عظیمی از دادهها در پایگاههای داده پزشکی کشور در مورد افراد مبتلا به بیماری تیروئید، امکان استخراج عوامل پیش‌بینی این بیماری توسط متخصصین بااستفاده‌از استخراج دانش از این حجم عظیم داده عملاً امکان‌پذیر نخواهد بود [14]. بنابراین وجود الگوریتمهای داده‌کاوی و یادگیری ماشین جهت کشف الگوی‌‌های پنهان در این دادهها و تشخیص و پیش‌بینی این بیماری احساس می‌شود. همچنین پژوهشهای پیشین در این زمینه مورد بررسی قرار داده شده است.
در مقاله عسگری و خسروی دانش [15، 16] با عنوان تشخیص بیماری تیروئید با استفاده از الگوریتم طبقه‌بندی فازی عصبی، نشان داده شد تشخیص بیماری تیروئید می‌تواند بسیار مشکل باشد چون علائم آن به راحتی با شرایط دیگر اشتباه گرفته می‌شود. بنابراین تشخیص بهنگام و صحیح بی‌نظمی‌های تیروئید بر پایه تست‌های آزمایشگاهی و علائم بیماری امری حیاتی است، سیستم‌های خبره یا سیستم‌های مبتنی بر دانش، رایج‌ترین نوع سیستم‌های (سیستم خبره مبتنی بر هوش مصنوعی) هوش مصنوعی در پزشکی هستند.
معززی و همکاران [17]، تحقیقات خود را بر روی 45 مورد بیمار با درمان لووتیروکسین و 14 نفر سالم انجام دادند. در این راستا آن‌ها هورمون‌های برداشت تری یدوتیرونین (T3RU)، تری یدوتیرونین (T3)، تیروکسین (T4) و هورمون کنترل‌کننده تیروئید قبل از تزریق 250 میکروگرم هورمون آزادکننده تیروتروپین و 30 دقیقه بعد از تزریق فقط هورمون کنترل‌کننده تیروئید اندازه‌گیری و به فاصله 7 تا 11 روز بعد در این افراد آزمون تحمل گلوکز انجام شد. سپس در آخر، یافته‌های به‌دست‌آمده از افراد مبتلا به پرکاری تیروئید و افراد سالم را با هم مقایسه کردند.
هورمون کنترل‌کننده تیروئید TSH
در مقاله ساراواسی و همکاران [18]، تشخیص پزشکی می‌تواند به‌عنوان یک مسئله طبقه‌بندی در نظر گرفته شود. براساس مجموعه‌ای از ویژگی‌های ورودی، هدف این است که یک بیمار را به‌عنوان یک اختلال خاص طبقه‌بندی کند یا اینکه به آن نیاز نداشته باشد. مشکلات هورمون تیروئید در حال حاضر شایع‌ترین مشکلات هستند. در این مقاله یک رویکرد شبکه عصبی مصنوعی بااستفاده‌از یک الگوریتم تکثیر برگشتی برای تشخیص مشکلات تیروئید توسعه داده شده است. تعدادی از عوامل به‌عنوان ورودی هستند و خروجی تولید می‌کنند که نتیجه آن این است که آیا یک فرد مشکل دارد یا سالم است. مشخص شده است که الگوریتم انتشار عقب دارای حساسیت و خاصیت بالا است. همچنین مدل پیشنهادی آن‌ها در نهایت به‌دقت 94 درصد دست یافته است.
در مقاله پررانا و همکاران [19]، همه موجودات زنده به یک یا چند راه دیگر در معرض اختلال در سلامتی هستند. بیماری تیروئید یک علت اصلی نگرانی در تشخیص پزشکی و پیش‌بینی است، شروع آن در پژوهشهای پزشکی یک پیشنهاد دشوار است. پیش‌بینی دقیق بیماری با درک علائم و گزارش‌های آسیب‌شناسی، با نگاه کردن به الگوهای تولید و الگوهای گزارش تولیدشده ممکن است. بااستفاده‌از الگوریتمهای یادگیری ماشین، سیستم پیش‌بینی کامپیوتری را می‌توان بااستفاده‌از شبکه‌های عصبی مصنوعی توسعه داد. نمونه‌هایی از تیروئید را پس از تمیز کردن و پیش پردازش جمع‌آوری و آن‌ها را به هیپو تیروئید، طبیعی تبدیل کرده‌اند. مجموعه دادهها برای آموزش و تست به نسبت 80 به 20 تقسیم شده است. شبکه‌های عصبی مصنوعی اعمال‌شده به این مجموعه در جعبه ابزار شبکه‌های عصبی مصنوعی از نرم‌افزار متلب (زبان برنامه‌نویسی متلب) اجرا شد که با دقت 85 درصد در طی مرحله آموزش مدل انجام شد. این مدل با کلاس‌های مختلف ورودی مورد آزمایش قرار گرفت و درنتیجه 82 درصد دقت داشت.
در مقاله ژانگ و همکاران [20]، بااستفاده‌از شبکه‌های عصبی کانولوشنال عمیق، بااستفاده‌از مقایسه چند طبقه‌بندی با سونوگرافی و توموگرافی کامپیوتری بیماری تیروئید را تشخیص دادند. در این مقاله، از تکنیک‌های مبتنی بر یادگیری عمیق برای تشخیص خودکار بیماری‌های تیروئید استفاده شده است که می‌تواند به پزشکان در تصمیم‌گیری تشخیصی کمک کند. این مطالعه پژوهشی اولین مطالعه در نوع خود است که دو روش تصویر پزشکی قبل از عمل را برای انواع بیماری‌های تیروئیدی چند طبقه‌بندی (یعنی طبیعی، تیروئیدیت، کیستیک، گواتر چند ندولار، آدنوم و سرطان) اتخاذ می‌کند. در این مقاله، بااستفاده‌از معماری شبکه عصبی کانولوشنال، یک مدل تشخیصی بیماری تیروئید را برای تمایز بین انواع بیماری ایجاد می‌کند. مدل موردنظر، دقت بی‌سابقه‌ای را برای مجموعه اسکن‌های سی‌تی‌اسکن به دست می‌آورد. مدل پیشنهادی توانست با دقت 0/942 افراد بیمار را شناسایی کند.
در تمامی پژوهشهای پیش‌گفت، مدل‌های ارائه‌شده همگی مدل‌های با نظارت بوده‌اند. حال در این پژوهش، سعی شده است بااستفاده‌از روشی یادگیر و بدون نظارت، مبتنی بر تکنیک شبکه عصبی مصنوعی به پیش‌بینی افراد مبتلا به بیماری تیروئید پرداخته شود. در ادامه مدل پیشنهادی و نتایج حاصله تشریح می‌شود.
مواد و روش‌ها
پژوهش حاضر از نوع کاربردی‌پیمایشی بوده و در سال 1401 انجام شده است. مجموعه داده مورداستفاده در این پژوهش، مربوط به بررسی و جمع‌آوری میدانی اطلاعات و نمونه‌گیری هدفمند بیش از 400 پرونده بیماران مراجعهکننده به بیمارستان امام رضا(ع) شهرستان لارستان از سال 1400 تا 1401 میباشد. رویکرد پیشنهادی در این پژوهش، یک رویکرد یادگیری بدون نظارت جهت تشخیص تیروئید در افراد مبتلا به این بیماری میباشد. الگوریتم مورد نظر، یک الگوریتم ترکیبی تکاملی حاصل از آمیختگی الگوریتم بهینهسازی ازدحام ذرات و شبکه عصبی مصنوعی میباشد.
مطابق تصویر شماره 1، مدل پیشنهادی شامل 3 فاز اصلی میباشد.
ابتدا مجموعه داده بیماران تیروئیدی وارد فاز اول جهت پیش پردازش می‌شود. در این فاز مجموعه داده ورودی نرمال‌سازی می‌شوند و رکوردهای ناقص از مجموعه داده حذف می‌شوند. سپس مجموعه داده نرمال‌شده وارد فاز دوم جهت عملیات خوشه‌بندی و برچسب‌گذاری دادهها می‌شود. در این فاز ابتدا جهت ایجاد جمعیت ذرات در الگوریتم بهینهسازی ازدحام ذرات از الگوریتم کی-میانگین استفاده شد و خروجی آن مراکز ثقل حاصل از خوشه‌بندی با این الگوریتم میباشد. سپس جمعیت ذرات وارد الگوریتم بهینهسازی ازدحام ذرات جهت یافتن خوشه بهینه می‌شود. بعد از انجام عملیات بهینهسازی توسط الگوریتم بهینهسازی ازدحام ذرات خوشه‌های بهینه حاوی 2 خوشه افراد سالم و بیمار (مجموعه داده برچسب‌گذاری‌شده) به‌عنوان خروجی وارد فاز بعد می‌شود. در فاز سوم، مجموعه داده ورودی برچسب‌گذاری‌شده وارد مدل شبکه عصبی طراحی‌شده به منظور فرآیند یادگیری مدل هوشمند می‌شود. شبکه عصبی مورداستفاده در اینجا شبکه عصبی پیش‌خور با یک لایه ورودی، 20 لایه پنهان و 1 لایه خروجی میباشد. بعد از فرآیند آموزش مدل هوشمند موردنظر، درنهایت این مدل به‌عنوان خروجی می‌تواند به‌راحتی افراد دارای بیماری تیروئید را از افراد سالم تشخیص دهد.
مجموعه داده مورداستفاده
در این پژوهش، سعی شده است بااستفاده‌از یک مدل ترکیبی تکاملی یادگیر، افراد دارای بیماری تیروئید از افراد سالم تشخیص داده شود. مجموعه داده مورداستفاده در این پژوهش، از بیماران مراجعهکننده به بیمارستان امام رضا (ع) شهرستان لارستان گرفته شده است. در این مجموعه داده مطابق جدول شماره 1 پارامترهای (تیروتروپین سرم، تری یدوتیرونین سرم، تیروکسین سرم و تیروکسین آزاد) در بیش از 400 بیمار مورد بررسی قرار گرفته است.
مجموعه داده موردنظر شامل 4 ویژگی اثرگذار در بیماری تیروئید (تیروتروپین سرم، تری یدوتیرونین سرم، تیروکسین سرم و تیروکسین آزاد) میباشد که در جدول شماره 1 محدوده نرمال هریک از این شاخص‌ها ارائه شده شده است. ویژگی‌های موردنظر با مشورت پزشک متخصص در نظر گرفته شده است. در این مجموعه داده، 300 مورد بیمار تیروئیدی و 100 مورد سالم می‌باشند.
یافته‌ها
در این بخش معیارهای مجموع مربعات خطا، منحنی راک، منحنی رگرسیون و ماتریس درهم ریختگی، در مدل پیشنهادی تجزیه‌وتحلیل شدند. برای انجام این‌کار، مدل پیشنهادی بر روی مجموعه‌داده با 400 نمونه مورد آموزش قرار گرفته است. در مجموعه داده مورد نظر 300 نمونه افراد بیمار و 100 نمونه افراد سالم وجود دارد. در ادامه نتایج اجرای مدل پیشنهادی بر روی این مجموعه داده تشریح شده است.
تصویر شماره 2 مجموع مربعات خطا در 3 حالت آموزش اعتبارسنجی و تست مدل پیشنهادی را نشان می‌دهد.
مجموعه داده مورداستفاده
در این پژوهش، سعی شده است بااستفاده‌از یک مدل ترکیبی تکاملی یادگیر، افراد دارای بیماری تیروئید از افراد سالم تشخیص داده شود. مجموعه داده مورداستفاده در این پژوهش، از بیماران مراجعهکننده به بیمارستان امام رضا (ع) شهرستان لارستان گرفته شده است. در این مجموعه داده مطابق جدول شماره 1 پارامترهای (تیروتروپین سرم، تری یدوتیرونین سرم، تیروکسین سرم و تیروکسین آزاد) در بیش از 400 بیمار مورد بررسی قرار گرفته است.
مجموعه داده موردنظر شامل 4 ویژگی اثرگذار در بیماری تیروئید (تیروتروپین سرم، تری یدوتیرونین سرم، تیروکسین سرم و تیروکسین آزاد) میباشد که در جدول شماره 1 محدوده نرمال هریک از این شاخص‌ها ارائه شده شده است. ویژگی‌های موردنظر با مشورت پزشک متخصص در نظر گرفته شده است. در این مجموعه داده، 300 مورد بیمار تیروئیدی و 100 مورد سالم می‌باشند.
یافته‌ها
در این بخش معیارهای مجموع مربعات خطا، منحنی راک، منحنی رگرسیون و ماتریس درهم ریختگی، در مدل پیشنهادی تجزیه‌وتحلیل شدند. برای انجام این‌کار، مدل پیشنهادی بر روی مجموعه‌داده با 400 نمونه مورد آموزش قرار گرفته است. در مجموعه داده مورد نظر 300 نمونه افراد بیمار و 100 نمونه افراد سالم وجود دارد. در ادامه نتایج اجرای مدل پیشنهادی بر روی این مجموعه داده تشریح شده است.
تصویر شماره 2 مجموع مربعات خطا در 3 حالت آموزش اعتبارسنجی و تست مدل پیشنهادی را نشان می‌دهد.
همان‌طورکه مشاهده می‌کنید، در تکرار 9 به مقدار 0/00411 رسیده که نشان از کارایی بالای مدل پیشنهادی دارد.
در تصویر شماره 3 منحنی راک به تصویر کشیده شده است.
در تصویر شماره 3 منحنی راک به تصویر کشیده شده است.
منحنی راک معیاری است که برای بررسی کیفیت دسته‌بندی‌کننده‌ها مورد استفاده قرار می‌گیرد. برای هر کلاس دسته‌بندی‌کننده، مقادیر آستانه‌ای بین صفر و 1 برای خروجی‌ها به کار می‌برد. برای هر حدآستانه نیز 2 مقدار نرخ مثبت واقعی و نرخ مثبت کاذب محاسبه می‌شود. همان‌طورکه در تصویر شماره 3 مشاهده می‌کنید در مدل پیشنهادی همواره نرخ مثبت واقعی بیشتر از نرخ مثبت کاذب است و مقدار ثبت‌شده نسبت واقعی بر کاذب، 0/98 میباشد.
ماتریس اغتشاش مربوط به یادگیری سیستم پیشنهادی مورد برررسی قرار گرفته است. همان‌طورکه در تصویر شماره 4 مشاهده می‌شود، در ماتریس اغتشاش سطرها نشانگر کلاس پیش‌بینی‌شده (کلاس خروجی) و ستون‌ها نشان‌دهنده کلاس صحیح (کلاس هدف) هستند.
ماتریس اغتشاش مربوط به یادگیری سیستم پیشنهادی مورد برررسی قرار گرفته است. همان‌طورکه در تصویر شماره 4 مشاهده می‌شود، در ماتریس اغتشاش سطرها نشانگر کلاس پیش‌بینی‌شده (کلاس خروجی) و ستون‌ها نشان‌دهنده کلاس صحیح (کلاس هدف) هستند.
سلول‌های مورب نشان می‌دهد چند مقدار (و چه درصدی) از مشاهدات نمونه شبکه آموزش‌دیده را به‌درستی تخمین زده است. همچنین، 2 سلول مورب اول، تعداد و درصد طبقه‌بندی‌های صحیح را توسط شبکه آموزش‌دیده نشان می‌دهند.
مطابق با نتایج، 94 نمونه به‌درستی به‌عنوان افراد سالم طبقه‌بندی شده است. این مطلب مطابق با 23/7 درصد از کل نمونه‌ها است. به‌طور مشابه، 287 مورد به‌درستی به‌عنوان افراد بیمار طبقه‌بندی شده‌اند. این مطلب، مطابق با 72/3 درصد از کل نمونه‌های آزمایشی است. 13 نمونه از افراد سالم به اشتباه بیمار، دسته‌بندی شده‌اند و مطابق با 3/3 درصد از کل 400 نمونه موجود است. به‌طور مشابه 3 مورد از افراد بیمار در کلاس سالم قرار گرفته‌اند که مطابق با 0/8 درصد از کل نمونه‌ها میباشد. مطابق با ماتریس اغتشاش تولیدشده، در مدل پیشنهادی، از 107 پیش‌بینی افراد سالم، 87/9 درصد به‌درستی و 12/1 درصد به اشتباه کلاس‌بندی شده‌اند. از 290 پیش‌بینی افراد بیمار، 99 درصد به‌درستی و درصد به اشتباه کلاس‌بندی شده‌اند. از 97 موارد افراد سالم، 96/9 درصد به‌خوبی به‌عنوان افراد سالم و 3/1 درصد به‌عنوان افراد بیمار پیش‌بینی شده است. از 300 مورد افراد بیمار، 95/7 درصد به‌درستی به‌عنوان بیمار و 4/3 درصد به‌عنوان افراد سالم طبقه‌بندی شده‌اند. به‌طورکلی، 96 درصد از پیش‌بینی‌ها درست هستند و 4 درصد از طبقه‌بندی‌ها اشتباه هستند.
تصویر شماره 5، منحنی رگرسیون آموزش سیستم پیشنهادی را نشان می‌دهد.
مطابق با نتایج، 94 نمونه به‌درستی به‌عنوان افراد سالم طبقه‌بندی شده است. این مطلب مطابق با 23/7 درصد از کل نمونه‌ها است. به‌طور مشابه، 287 مورد به‌درستی به‌عنوان افراد بیمار طبقه‌بندی شده‌اند. این مطلب، مطابق با 72/3 درصد از کل نمونه‌های آزمایشی است. 13 نمونه از افراد سالم به اشتباه بیمار، دسته‌بندی شده‌اند و مطابق با 3/3 درصد از کل 400 نمونه موجود است. به‌طور مشابه 3 مورد از افراد بیمار در کلاس سالم قرار گرفته‌اند که مطابق با 0/8 درصد از کل نمونه‌ها میباشد. مطابق با ماتریس اغتشاش تولیدشده، در مدل پیشنهادی، از 107 پیش‌بینی افراد سالم، 87/9 درصد به‌درستی و 12/1 درصد به اشتباه کلاس‌بندی شده‌اند. از 290 پیش‌بینی افراد بیمار، 99 درصد به‌درستی و درصد به اشتباه کلاس‌بندی شده‌اند. از 97 موارد افراد سالم، 96/9 درصد به‌خوبی به‌عنوان افراد سالم و 3/1 درصد به‌عنوان افراد بیمار پیش‌بینی شده است. از 300 مورد افراد بیمار، 95/7 درصد به‌درستی به‌عنوان بیمار و 4/3 درصد به‌عنوان افراد سالم طبقه‌بندی شده‌اند. به‌طورکلی، 96 درصد از پیش‌بینی‌ها درست هستند و 4 درصد از طبقه‌بندی‌ها اشتباه هستند.
تصویر شماره 5، منحنی رگرسیون آموزش سیستم پیشنهادی را نشان می‌دهد.
همان‌طورکه در شکل مشاهده می‌کنید، ضریب رگرسیون در 3 حالت آموزش، اعتبارسنجی و تست به‌ترتیب دارای مقادیر (0/98، 0/97 و 0/95) میباشد. همچنین ضریب رگرسیون در کل در آموزش سیستم دارای مقدار 0/98023 است. مقدار ضریب رگرسیون هر اندازه به عدد 1 نزدیکتر باشد، نشان‌دهنده بهینه بودن سیستم پیشنهادی میباشد بنابراین به‌دلیل نزدیک بودن مقدار ضریب رگرسیون سیستم پیشنهادی به عدد 1، پس عملکرد سیستم پیشنهادی مطلوب میباشد
تصویر شماره 6 هیستوگرام نرخ خطا در یادگیری سیستم پیشنهادی را به‌تصویر کشیده است.
تصویر شماره 6 هیستوگرام نرخ خطا در یادگیری سیستم پیشنهادی را به‌تصویر کشیده است.
همان‌طورکه مشاهده می‌کنید نرخ خطا در سیستم پیشنهادی بسیار پایین و نزدیک به صفر میباشد و در اکثر نمونه‌ها نرخ خطا نزدیک به صفر و اختلاف مقدار واقعی با مقدار پیش‌بینی‌شده مقدار 0/0029 است. مقدار پایین نرخ خطا نشان‌دهنده عملکرد بهینه سیستم پیشنهادی میباشد
مقایسه نتایج روش پیشنهادی با روش‌های پیشین مطابق با معیار دقت ارائه شده است. مطابق با جدول شماره 2، مدل پیشنهادی قادر به پیش‌بینی بیماری تیروئید با دقت 96 درصد میباشد که این میزان دقت برتری روش پیشنهادی نسبت به روش‌های پیشین میباشد.
بحث
در این تحقیق، رویکردی هوشمند و بدون نظارت، مبتنی بر الگوریتم بهینهسازی ازدحام ذرات و شبکه‌عصبی‌مصنوعی ارائه شده است. مدل پیشنهادی به دنبال بهبود فرآیند پیش‌بینی بیماری تیروئید در افراد میباشد. بخش اصلی مدل ترکیبی پیشنهادی در این پژوهش، شبکه‌عصبی‌مصنوعی میباشد. شبکه‌عصبی موردنظر بااستفاده‌از مجموعه داده‌های برچسب‌گذاری‌شده‌ای که در اختیار دارد، سعی می‌کند الگوهای پنهان‌شده افراد بیمار از افراد سالم را پیدا کند و به این ترتیب افراد دارای بیماری تیروئید را در این مجموعه داده استخراج می‌کند. ازآنجاکه نحوه عملکرد شبکه عصبی به چگونگی تعریف ساختار آن بستگی دارد، در این پژوهش در کنار شبکه عصبی پیشنهادشده، از الگوریتم بهینهسازی ازدحام ذرات استفاده شده است که وظیفه آن نحوه برچسب‌گذاری بهینه مجموعه داده ورودی میباشد تا بدین نحو بستر یادگیری بدون نظارت در ساختار شبکه‌عصبی موردنظر را به وجود آورد که برتری روش پیشنهادی نسبت به روش‌های پیشین است. چون روش‌های پیشین همگی از یک مدل یادگیر با نظارت جهت انجام عملیات تشخیص استفاده کرده‌اند.
مدل پیشنهادی در محیط متلب پیاده‌سازی و عملکرد آن مورد‌ارزیابی قرار گرفته است. بررسی نتایج نشان می‌دهد مقادیر ضریب رگرسیون (R) مدل پیشنهادی در 3 حالت آموزش، اعتبارسنجی و تست به‌ترتیب دارای مقادیر (0/98، 0/97 و 0/95)، منحی راک برابر با 0/98 و میزان خطا 0/004 بوده است. همچنین روش پیشنهادی با روش‌های بررسی‌شده در پیشنه پژوهش براساس معیار دقت مورد بررسی و تجزیه‌وتحلیل قرار گرفته است. نتایج به‌دست‌آمده حاکی از این است که مدل پیشنهادی قادر است با دقت 96 درصد بیماری تیروئید را در بیماران به‌درستی پیش‌بینی کند. این در حالیست که مدل‌های پیشین نظیر مدل پیشنهادی پررانا و همکاران که یک روش مبتنی بر شبکه عصبی مصنوعی با نظارت است، درنهایت به‌دقت 82 درصد قادر به پیش‌بینی این بیماری میباشد.
همچنین مدل پیشنهادی ساراواسی و همکاران نیز توانسته با دقت 94 درصد بیمارران تیروئیدی را تشخیص دهد؛ مدل پیشنهادی ژانگ و همکاران نیز که براساس روش شبکه عصبی کانولوشنال بوده است، درنهایت با دقت 94 درصد قادر به تشخیص بیماران تیروئید میباشد. درنتیجه، مدل پیشنهادی در این پژوهش با ساختار بدون نظارت توانسته به‌دقت 96 درصد برسد، درحالی‌که هرکدام از مدل‌های پیشن با یک مدل با نظارت توانسته بودند به چنین دقت‌هایی دست پیدا کنند. بنابراین نتایج پیاده‌سازی نشان می‌دهد عملکرد و دقت سیستم پیشنهادی در تشخیص و پیش‌بینی بیماری تیروئید از روش‌های پیشین بهتر است و عملکرده قابل قبولی دارد.
از محدودیت‌های پژوهش استفاده از الگوریتم بهینهسازی ازدحام ذرات در کنار شبکه‌عصبی‌مصنوعی شده است. چون امکان گیر کردن در بهینه محلی وجود دارد. احتمال‌گیر افتادن در تله بهینه محلی کم است، اما پیشنهاد می‌شود در مدل پیشنهادی از الگوریتمهای تکاملی دیگر نظیر ژنتیک، الگوریتم کرم شب‌تاب، الگوریتم خفاش و غیره به‌جای الگوریتم بهینهسازی ازدحام ذرات جهت انجام عملیات خوشه‌بندی بدون نظارت و همچنین برای یادگیری وزن‌های شبکه‌عصبی استفاده شود و نتایج مورد تجزیه‌وتحلیل قرار گیرند.
نتیجه‌گیری
باتوجهبه نتایج حاصله و ارزیابی آن‌ها، می‌توان به‌طور کلی نتیجه گرفت که مدل پیشنهادی می‌تواند با دقت قابل قبولی، بیماری تیروئید را در افراد پیش‌بینی کند. بدین ترتیب میزان اشتباه در تشخیص و پیش‌بینی این بیماری را تا حد قابل توجهی کاهش دهد. همچنین از این مدل می‌توان به‌عنوان یک ابزار مفید در پیش‌بینی بیماری تیروئید در مراکز مختلف درمانیا ستفاده کرد.
ملاحظات اخلاقی
پیروی از اصول اخلاق پژوهش
این مطالعه دارای تأییدیه اخلاقی به شماره IR.IAUESTAHBAN.REC.1401.023 از دانشگاه آزاد اسلامی واحد استهبان است.
حامی مالی
این پژوهش هیچ‌گونه کمک مالی از سازمانی‌های دولتی، خصوصی و غیرانتفاعی دریافت نکرده است.
تعارض منافع
بنابر اظهار نویسنده این مقاله تعارض منافع ندارد.
مقایسه نتایج روش پیشنهادی با روش‌های پیشین مطابق با معیار دقت ارائه شده است. مطابق با جدول شماره 2، مدل پیشنهادی قادر به پیش‌بینی بیماری تیروئید با دقت 96 درصد میباشد که این میزان دقت برتری روش پیشنهادی نسبت به روش‌های پیشین میباشد.
بحث
در این تحقیق، رویکردی هوشمند و بدون نظارت، مبتنی بر الگوریتم بهینهسازی ازدحام ذرات و شبکه‌عصبی‌مصنوعی ارائه شده است. مدل پیشنهادی به دنبال بهبود فرآیند پیش‌بینی بیماری تیروئید در افراد میباشد. بخش اصلی مدل ترکیبی پیشنهادی در این پژوهش، شبکه‌عصبی‌مصنوعی میباشد. شبکه‌عصبی موردنظر بااستفاده‌از مجموعه داده‌های برچسب‌گذاری‌شده‌ای که در اختیار دارد، سعی می‌کند الگوهای پنهان‌شده افراد بیمار از افراد سالم را پیدا کند و به این ترتیب افراد دارای بیماری تیروئید را در این مجموعه داده استخراج می‌کند. ازآنجاکه نحوه عملکرد شبکه عصبی به چگونگی تعریف ساختار آن بستگی دارد، در این پژوهش در کنار شبکه عصبی پیشنهادشده، از الگوریتم بهینهسازی ازدحام ذرات استفاده شده است که وظیفه آن نحوه برچسب‌گذاری بهینه مجموعه داده ورودی میباشد تا بدین نحو بستر یادگیری بدون نظارت در ساختار شبکه‌عصبی موردنظر را به وجود آورد که برتری روش پیشنهادی نسبت به روش‌های پیشین است. چون روش‌های پیشین همگی از یک مدل یادگیر با نظارت جهت انجام عملیات تشخیص استفاده کرده‌اند.
مدل پیشنهادی در محیط متلب پیاده‌سازی و عملکرد آن مورد‌ارزیابی قرار گرفته است. بررسی نتایج نشان می‌دهد مقادیر ضریب رگرسیون (R) مدل پیشنهادی در 3 حالت آموزش، اعتبارسنجی و تست به‌ترتیب دارای مقادیر (0/98، 0/97 و 0/95)، منحی راک برابر با 0/98 و میزان خطا 0/004 بوده است. همچنین روش پیشنهادی با روش‌های بررسی‌شده در پیشنه پژوهش براساس معیار دقت مورد بررسی و تجزیه‌وتحلیل قرار گرفته است. نتایج به‌دست‌آمده حاکی از این است که مدل پیشنهادی قادر است با دقت 96 درصد بیماری تیروئید را در بیماران به‌درستی پیش‌بینی کند. این در حالیست که مدل‌های پیشین نظیر مدل پیشنهادی پررانا و همکاران که یک روش مبتنی بر شبکه عصبی مصنوعی با نظارت است، درنهایت به‌دقت 82 درصد قادر به پیش‌بینی این بیماری میباشد.
همچنین مدل پیشنهادی ساراواسی و همکاران نیز توانسته با دقت 94 درصد بیمارران تیروئیدی را تشخیص دهد؛ مدل پیشنهادی ژانگ و همکاران نیز که براساس روش شبکه عصبی کانولوشنال بوده است، درنهایت با دقت 94 درصد قادر به تشخیص بیماران تیروئید میباشد. درنتیجه، مدل پیشنهادی در این پژوهش با ساختار بدون نظارت توانسته به‌دقت 96 درصد برسد، درحالی‌که هرکدام از مدل‌های پیشن با یک مدل با نظارت توانسته بودند به چنین دقت‌هایی دست پیدا کنند. بنابراین نتایج پیاده‌سازی نشان می‌دهد عملکرد و دقت سیستم پیشنهادی در تشخیص و پیش‌بینی بیماری تیروئید از روش‌های پیشین بهتر است و عملکرده قابل قبولی دارد.
از محدودیت‌های پژوهش استفاده از الگوریتم بهینهسازی ازدحام ذرات در کنار شبکه‌عصبی‌مصنوعی شده است. چون امکان گیر کردن در بهینه محلی وجود دارد. احتمال‌گیر افتادن در تله بهینه محلی کم است، اما پیشنهاد می‌شود در مدل پیشنهادی از الگوریتمهای تکاملی دیگر نظیر ژنتیک، الگوریتم کرم شب‌تاب، الگوریتم خفاش و غیره به‌جای الگوریتم بهینهسازی ازدحام ذرات جهت انجام عملیات خوشه‌بندی بدون نظارت و همچنین برای یادگیری وزن‌های شبکه‌عصبی استفاده شود و نتایج مورد تجزیه‌وتحلیل قرار گیرند.
نتیجه‌گیری
باتوجهبه نتایج حاصله و ارزیابی آن‌ها، می‌توان به‌طور کلی نتیجه گرفت که مدل پیشنهادی می‌تواند با دقت قابل قبولی، بیماری تیروئید را در افراد پیش‌بینی کند. بدین ترتیب میزان اشتباه در تشخیص و پیش‌بینی این بیماری را تا حد قابل توجهی کاهش دهد. همچنین از این مدل می‌توان به‌عنوان یک ابزار مفید در پیش‌بینی بیماری تیروئید در مراکز مختلف درمانیا ستفاده کرد.
ملاحظات اخلاقی
پیروی از اصول اخلاق پژوهش
این مطالعه دارای تأییدیه اخلاقی به شماره IR.IAUESTAHBAN.REC.1401.023 از دانشگاه آزاد اسلامی واحد استهبان است.
حامی مالی
این پژوهش هیچ‌گونه کمک مالی از سازمانی‌های دولتی، خصوصی و غیرانتفاعی دریافت نکرده است.
تعارض منافع
بنابر اظهار نویسنده این مقاله تعارض منافع ندارد.
References
1.Rajam K, Jemina Priyadarsini R. A survey on diagnosis of thyroid disease using data mining techniques. Int J Comput Sci Mob Comput. 2016; 51(5):354-8. [Link]
2.Hosseinpoor M, Parvin H, Nejatian S, Rezaee V, Bagherifard K. [Presenting a meta-heuristic algorithm to detect regulatory elements in the genome of breast cancer patients (Persian)]. J Adv Biomed Sci. 2020; 10(1):2070-80. [Link]
3.Dabiri MR, Farshidfar A, Najaflo Sh, Saadatdoost R. [Diagnosing thyroid disease using meta-heuristic hybrid algorithms (Persian)]. Paper presented at: Third International Conference on Electrical, Computer and Mechanical Engineering. 20 October 2020; Tehran, Iran. [Link]
4.Hosseinpoor M, Parvin H, Nejatian S, Rezaei V. [Detection and extraction of potential promoter/enhancer interactions in genome of cancer patients using an evolutionary multi-objective algorithm (Persian)]. J Health Biomed Inform. 2018; 5(2):304-13. [Link]
5.Jalili S, Faraji Daneshgar F. [Diagnosis of thyroid diseases using RFC fuzzy classification method (Persian)]. Paper presented at: The 14th Iran Medical Engineering Conference. 13 February 2008; Tehran, Iran. [Link]
6.Hosseinpoor M. [Predicting gestational diabetes using an intelligent algorithm based on artificial neural network (Persian)]. J Mod Med Inf Sci. 2022; 8(2):126-39. [Link]
7.Zabbah I, Yasrebi Naeini SE, Ramazanpoor Z, Sahragard K. [The diagnosis of thyroid diseases using combinati on of neural networks through hierarchical method (Persian)]. J Health Biomed Inform. 2017; 4(1):21-31. [Link]
8.Aversano L, Bernardi ML, Cimitile M, Iammarino M, Macchia PE, Nettore IC, et al. Thyroid disease treatment prediction with machine learning approaches. Procedia Comput Sci. 2021; 192:1031-40. [DOI:10.1016/j.procs.2021.08.106]
9.Upadhayay A, Shukla S, Kumar S. Empirical comparison by data mining Classification algorithms (C 4.5 & C 5.0) for thyroid cancer data set. Int J Comput Sci Commun Netw. 2013;3(1):64. [Link]
10.Gharehchopogh FS, Molany M, Mokri FD. Using artificial neural network in diagnosis of thyroid diasise: A case study. International Journal on Computational Sciences & Applications. 2013; 3(4):49-61. [Link]
11.Dhaygude P, Handore SM. A review of thyroid disorder detection using medical images. Int J Recent Innov Trends Comput Commun. 2014; 2(12):4194-7. [Link]
12.Dogantekin E, Dogantekin A, Avci D. An expert system based on Generalized Discriminant Analysis and Wavelet Support Vector Machine for diagnosis of thyroid diseases. Expert Syst Appl. 2011; 38(1):146-50. [DOI:10.1016/j.eswa.2010.06.029]
13.Zhang X, Lee VCS, Rong J, Liu F, Kong H. Multi-channel convolutional neural network architectures for thyroid cancer detection. PLoS One. 2022; 17(1):e0262128. [DOI:10.1371/journal.pone.0262128] [PMID]
14.Abdolali F, Kapur J, Jaremko JL, Noga M, Hareendranathan AR, Punithakumar K. Automated thyroid nodule detection from ultrasound imaging using deep convolutional neural networks. Comput Biol Med. 2020; 122:103871. [DOI:10.1016/j.compbiomed.2020.103871] [PMID]
15.Asgari N, Khosravi Danesh F. [Diagnosis of thyroid disease using neural fuzzy classification algorithm (Persian)]. Paper presented at: Second National Conference of Computer Engineering and Information Technology Management. 14 Feruary, 2014; Tehran, Bo Ali Research Group, Iran. [Link]
16.Yazdan SA, Ahmad R, Iqbal N, Rizwan A, Khan AN, Kim DH. An efficient multi-scale convolutional neural network based multi-class brain MRI classification for SaMD. Tomography. 2022; 8(4):1905-27. [DOI:10.3390/tomography8040161] [PMID]
17.Moazezi Z, Hedayati M, shirkhani Z, Azizi F. [Glucose intolerance in subclinical hyperthyroid patients (Persian)]. Iran J Endocrinol Metab. 2012; 14(2):127-34. [Link]
18.Saraswathi V, Santhakumaran A. Towards artificial neural network model to diagnose thyroid problems. Glob J Comput Sci Technol. 2011; 11(5):53-5. [Link]
19.Prerana PS, Taneja K. Predictive data mining for diagnosis of thyroid disease using neural network. Int J Res Manag Sci Technol. 2015; 3(2):75-80. [Link]
20.Zhang X, Lee VC, Rong J, Lee JC, Liu F. Deep convolutional neural networks in thyroid disease detection: A multi-classification comparison by ultrasonography and computed tomography. Comput Methods Programs Biomed. 2022; 220:106823. [PMID]
2.Hosseinpoor M, Parvin H, Nejatian S, Rezaee V, Bagherifard K. [Presenting a meta-heuristic algorithm to detect regulatory elements in the genome of breast cancer patients (Persian)]. J Adv Biomed Sci. 2020; 10(1):2070-80. [Link]
3.Dabiri MR, Farshidfar A, Najaflo Sh, Saadatdoost R. [Diagnosing thyroid disease using meta-heuristic hybrid algorithms (Persian)]. Paper presented at: Third International Conference on Electrical, Computer and Mechanical Engineering. 20 October 2020; Tehran, Iran. [Link]
4.Hosseinpoor M, Parvin H, Nejatian S, Rezaei V. [Detection and extraction of potential promoter/enhancer interactions in genome of cancer patients using an evolutionary multi-objective algorithm (Persian)]. J Health Biomed Inform. 2018; 5(2):304-13. [Link]
5.Jalili S, Faraji Daneshgar F. [Diagnosis of thyroid diseases using RFC fuzzy classification method (Persian)]. Paper presented at: The 14th Iran Medical Engineering Conference. 13 February 2008; Tehran, Iran. [Link]
6.Hosseinpoor M. [Predicting gestational diabetes using an intelligent algorithm based on artificial neural network (Persian)]. J Mod Med Inf Sci. 2022; 8(2):126-39. [Link]
7.Zabbah I, Yasrebi Naeini SE, Ramazanpoor Z, Sahragard K. [The diagnosis of thyroid diseases using combinati on of neural networks through hierarchical method (Persian)]. J Health Biomed Inform. 2017; 4(1):21-31. [Link]
8.Aversano L, Bernardi ML, Cimitile M, Iammarino M, Macchia PE, Nettore IC, et al. Thyroid disease treatment prediction with machine learning approaches. Procedia Comput Sci. 2021; 192:1031-40. [DOI:10.1016/j.procs.2021.08.106]
9.Upadhayay A, Shukla S, Kumar S. Empirical comparison by data mining Classification algorithms (C 4.5 & C 5.0) for thyroid cancer data set. Int J Comput Sci Commun Netw. 2013;3(1):64. [Link]
10.Gharehchopogh FS, Molany M, Mokri FD. Using artificial neural network in diagnosis of thyroid diasise: A case study. International Journal on Computational Sciences & Applications. 2013; 3(4):49-61. [Link]
11.Dhaygude P, Handore SM. A review of thyroid disorder detection using medical images. Int J Recent Innov Trends Comput Commun. 2014; 2(12):4194-7. [Link]
12.Dogantekin E, Dogantekin A, Avci D. An expert system based on Generalized Discriminant Analysis and Wavelet Support Vector Machine for diagnosis of thyroid diseases. Expert Syst Appl. 2011; 38(1):146-50. [DOI:10.1016/j.eswa.2010.06.029]
13.Zhang X, Lee VCS, Rong J, Liu F, Kong H. Multi-channel convolutional neural network architectures for thyroid cancer detection. PLoS One. 2022; 17(1):e0262128. [DOI:10.1371/journal.pone.0262128] [PMID]
14.Abdolali F, Kapur J, Jaremko JL, Noga M, Hareendranathan AR, Punithakumar K. Automated thyroid nodule detection from ultrasound imaging using deep convolutional neural networks. Comput Biol Med. 2020; 122:103871. [DOI:10.1016/j.compbiomed.2020.103871] [PMID]
15.Asgari N, Khosravi Danesh F. [Diagnosis of thyroid disease using neural fuzzy classification algorithm (Persian)]. Paper presented at: Second National Conference of Computer Engineering and Information Technology Management. 14 Feruary, 2014; Tehran, Bo Ali Research Group, Iran. [Link]
16.Yazdan SA, Ahmad R, Iqbal N, Rizwan A, Khan AN, Kim DH. An efficient multi-scale convolutional neural network based multi-class brain MRI classification for SaMD. Tomography. 2022; 8(4):1905-27. [DOI:10.3390/tomography8040161] [PMID]
17.Moazezi Z, Hedayati M, shirkhani Z, Azizi F. [Glucose intolerance in subclinical hyperthyroid patients (Persian)]. Iran J Endocrinol Metab. 2012; 14(2):127-34. [Link]
18.Saraswathi V, Santhakumaran A. Towards artificial neural network model to diagnose thyroid problems. Glob J Comput Sci Technol. 2011; 11(5):53-5. [Link]
19.Prerana PS, Taneja K. Predictive data mining for diagnosis of thyroid disease using neural network. Int J Res Manag Sci Technol. 2015; 3(2):75-80. [Link]
20.Zhang X, Lee VC, Rong J, Lee JC, Liu F. Deep convolutional neural networks in thyroid disease detection: A multi-classification comparison by ultrasonography and computed tomography. Comput Methods Programs Biomed. 2022; 220:106823. [PMID]
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
