بخشی از مقاله
خلاصه
بیماریهای غده تیروئید از جمله بیماریهایی بهشمار میروند که در آنها تشخیص بهنگام و صحیح اختلالات تیروئید بر پایه تستهای آزمایشگاهی و علایم بیماری امری حیاتی میباشد. عدم تشخیص به موقع عملکرد غیرطبیعی تیروئید، میتواند عوارض جبرانناپذیری برای بیمار در پی داشته و منجر به مرگ وی گردد. هدف ما در این پژوهش تعیین وضیعت غده تیروئید از نظر نرمال بودن، پرکاری یا کمکاری تیروئید با استفاده از تکنیکهای دادهکاوی میباشد.
این مطالعه از نوع توصیفی-تحلیلی بوده و پایگاه داده آن شامل 7200 رکورد مستقل مبتنی بر 21 ویژگی و برگرفته شده از مرجع داده UCI میباشد. در این پژوهش روش شبکههای عصبی و روش ترکیب شبکههای عصبی با الگوریتم زنتیک به منظور تشخیص بیماری تیروئید ارائه میشود. پس از مدلسازی و مقایسه مدلهای تولید شده توانستیم بیماری تیروئید را با استفاده از روش ترکیب شبکههای عصبی با الگوریتم ژنتیک با معیارهای ارزیابی ضریب تبیینR2=0/8299 و متوسط مربع خطا MSE=0/0057 پیشبینی کنیم.
شبکه طراحی شده با این روش دارای کمترین خطا نسبت به شبکههای عصبی است. همچنین، میزان خطای پیشبینی توسط مدل شبکههای عصبی مصنوعی ترکیب شده با استفاده از الگوریتم ژنتیک از لحاظ معیارهای ارزیابی عملکرد نسبت به روش شبکههای عصبی مصنوعی برتری دارد.
کلمات کلیدی: تشخیص بیماری تیروئید، ترکیب شبکههای عصبی و الگوریتم ژنتیک.
مقدمه
بیماریهای تیروئید در سراسر جهان گسترده است در نتیجه، آن را تبدیل به یک مشکل جدی سلامت کرده است مطالعات تحقیقاتی مختلف نشان میدهد تعداد زیادی از افراد در جوامع مختلف به این بیماری دچار میشوند از این رو ایجاد آگاهی در بین مردم در مورد علائم و نوع این بیماری و تشخیص آن نقش و اهمیت حیاتی دارد . تیروئید یکی از مهمترین غدد درون ریز در بدن است و غدهای است پروانهای شکل که در زیر گردن یافت میشود.
این غده مسئول تنظیم فعالیتهای سوخت و ساز بدن است. ترشح آن عمدتا تحت کنترل هورمون محرک تیروئید است که از غده هیپوفیز قدامی ترشح میشود . هنگامی که غده تیروئید به درستی عمل کند دو هورمون به نام ترییدوتیرونین و تیروکسین تولید میکند . اگر فعالیت غده تیروئید دچار اختلال شود میتواند هر قسمت و سیستمی از بدن مانند دستگاه گوارش و حتی سیستم اعصاب مرکزی را تحت تاثیر قرار دهد، به همین دلیل اختلال در فعالیت غده تیروئید با عوارض وسیع و جدی همراه است. بینظمی شدید تیروئید نباید نادیده گرفته شود؛ بطور مثال حمله تیروئیدی که یک عارضه جانبی پرکاری شدید است و کمای میگزادم که نتیجه درمان نکردن کمکاری تیروئید است ممکن است در تعداد قایل توجهی از بیماران منجر به مرگ آنها شود.
شایعترین بیماریهای تیروئید شامل کمکاری تیروئید - هایپوتیروئیدی - ، پرکاری تیروئید - هایپرتیروئیدی - ، بزرگی غده تیروئید - گواتر - ، تودههای تیروئید، سرطان تیروئید و التهاب تیروئید - تیروئیدیت - هستند . کمکاری تیروئید باعث افزایش خطر بیماری قلبی و پرکاری تیروئید باعث پوکی استخوان میشود. این بیماریها توسط عوامل سن، جنسیت، T3، T4، TSH، دریافت ید، دارو برای مشکلات تیروئید، سرطان تیروئید و مکمل تیروئید ایجاد میشود، که میتواند به عنوان عوامل قابل کنترل طبقهبندی شود .
تفسیر نتایج تستهای آزمایشگاهی افراد مسنتر یا زنان حامله و یا در کسانی که به علت داشتن بیماریهای دیگر دارو مصرف میکنند و یا بیمارانی که در شرایط خاص پزشکی دیگری قرار دارند، مشکل است. گروههایی که بیشترین تاثیر را از عملکرد بد تیروئید میپذیرند، سالمندان و زنان هستند که 5 تا 10 درصد آنان از این بیماری متاثر میشوند. یکی از مسائل اصلی برای ایجاد چالش در علوم پزشکی در حال توسعه فنآوری تشخیص بیماری با دقت بالا است.
دادهکاوی یکی از گامهای اساسی در کشف دانش است و نقش حیاتی در زمینه پزشکی برای تشخیص بیماری دارد. روشهای دادهکاوی مختلف برای مدلسازی پیشبینی وجود دارد به عنوان مثال روشهای طبقهبندی یکی از بیشترین موارد تحقیق شده در یادگیری ماشین و دادهکاوی است زیرا طیف گستردهای از مسائل واقعی مانند مسائل پیشبینی ورشکستگی، تشخیص پزشکی، تشخیص الگو، طبقهبندی متن، ارزیابی کیفیت نرمافزار و ... به عنوان مسائل طبقهبندی اعلام شده است. از سوی دیگر روشهای مختلف وجود دارد که در آن الگوریتمهای تکاملی بتوانند در ایجاد طبقهبندیهای دقیق و قابل اعتماد مفید باشند .
با توجه به سرعت کند جستجو جیاسآ3 در آخرین مرحله از روش پیشنهادی ترکیب الگوریتم جستجوی گرانشی و بهینهسازی ازدحام ذرات4 برای آموزش شبکههای عصبی پیشخور5 استفاده شد. نتایج نشان داد که روش ترکیبی برای آموزش شبکههای عصبی پیشخور بهتر از هر دو روش PSO و GSA است و از نظر سرعت همگرایی و اجتناب از حداقل محلی جواب بهتری میدهد در نتیجه مشکل به دام انداختن در کمینه محلی با سرعت همگرایی بسیار خوب را بهبود میبخشد.
از آنجایی که شبکه عصبی BP توانایی تعمیم، خود یادگیری و خود تطبیقدهی خوبی دارد اما نرخ همگرایی آن پایین است و ممکن است به راحتی در حداقل محلی گرفتار شود، روش پیشنهادی برای غلبه بر این ضعف استفاده از الگورتم ژنتیک است. نتایج حاکی از آن است که ترکیب GA و BP برای آموزش شبکههای عصبی بهتر کار میکند، کمتر در حداقل محلی گرفتار میشود و شبکه آموزش دیده توانایی تعمیم بهتری دارد.
برای بهبود طبقهبندی KNN1 از الگوریتم ژنتیک استفاده کردند، نتایج نشان داد که با روش ترکیبی GKNN در مقایسه با روش سنتی KNN، پیچیدگی محاسبه KNN کاهش و دقت افزایش یافت و همچنین عملکرد طبقهبندی آن نیز بهیود یافت. در مقاله بهینه سازی سیکل ترکیبی با استفاده از الگورتیم ژنتیک و بهینهسازی ازدحام ذرات مورد بررسی قرار گرفت. نتایج برتری استفاده از الگوریتمهای هوشمند بهینه سازی نسبت به روش بهینهسازی پینچ را در افزایش کارایی سیکلهای تولید همزمان نشان میدهد.
هدف بهینهسازی مدل پیشبینی حقالزحمهی حسابرسی با استفاده از سود و جریانهای نقد عملیاتی با رویکرد رگرسیون حداقل مربعات، شبکههای عصبی مصنوعی و الگوریتم ژنتیک است. نتیجه این چنین بود که مدل شبکه عصبی با الگوریتم ژنتیک بهینهترین شبکه عصبی طراحی شده برای پیشبینی میباشد همچنین میزان خطای این روش از لحاظ معیارهای ارزیابی عملکرد نسبت به روش رگرسیون حداقل مربعات و شبکههای عصبی مصنوعی برتری دارد.
به منظور بهینهسازی شبکههای دولایه فولادی از ترکیب شبکههای عصبی مختلف با الگوریتم ژنتیک استفاده کردند که شبکه عصبی RBF2 به دلیل رفت و برگشتهای پیاپی بین الگوریتم ژنتیک و شبکه عصبی و سرعت بالای شبکه نتیجه مطلوبتری را ارائه داد. تشخیص بیماری تیروئید با استفاده از شبکههای عصبی احتمالی بر تری نسبت به مبنای الگوریتم ژنتیک به منظور انتخاب ویژگی انجام شد که مشخص شد روش پیشنهادی نتیجه مطلوب ها داشت.
نتایج در داده دسته اول 100 درصد و در داده دسته دوم 97,4 درصد موفقیت آمیز بوده است. سایر روش بیماری تیروئید یکی از شایعترین و خطرناکترین بیماریهای شناخته شده در دنیا میباشد؛ از طرفی یکی از چالشهای عمده در ارائه درمان مناسب، تشخیص سریع و دقیق بیماری است بنابراین در صورتی که بتوانیم با استفاده از دادههای پزشکی و الگوریتمهای دادهکاوی به تشخیص اختلالات تیروئیدی بپردازیم، به تصمیمگیری پزشکان در خصوص بیماران کمک شایانی خواهیم کرد.
لذا این مطالعه، با هدف تشخیص نوع بیماری تیروئید - کمکاری و پرکاری - و عدم بیماری - نرمال بودن - انجام شده است که برای رسیدن به این هدف از روش شبکههای عصبی و ترکیب شبکههای عصبی مصنوعی با الگوریتم ژنتیک جهت طبقهبندی افراد استفاده شده است.
