19917

۱۹۹۱۷

ارائه الگويي براي تشخيص بيماري تيروئيد بر پايه استخراج قوانين با استفاده از الگوريتم¬هاي درختي و انتخاب ويژگي

كارشناسي ارشد

مديريت فناوري اطلاعات - كسب و كار الكترونيك

1395

۱۳۹۷/۸/۲۸

دكتر محمد فتحيـان

دكتر بابك اميري

مهندسي پيشرفت

چكيده تشخيص صحيح و به موقع بيماري، جهت درمان صحيح بيماران، از ضروريات حوزه پزشكي مي‌باشد. اين موضوع زماني بيشتر اهميت پيدا مي‌كند كه، با بيماري‌هاي متفاوتي با علايم مشابه، مواجه مي‌شويم. كه هركدام از آنها نياز به تشخيص درست، و درمان صحيح در راستاي بيماري واقعي فرد دارند. ازجمله اين بيماري‌ها، بيماري تيروئيد مي‌باشد كه، علايم مشابهي با تعدادي از بيماري‌ها، ازجمله بيماري‌هاي قلبي و عروقي دارد. تكنيك‌هاي داده‌كاوي و يادگيري ماشين، روش‌هاي قابل اعتماد و ارزشمندي هستند، كه امكان بالا بردن توانايي پزشكان، در تشخيص صحيح بيماري‌ها و درمان درست آن را فراهم مي‌كنند. هدف از اين پژوهش، استخراج قوانين بيماري تيروئيد، و انتخاب بهترين رويكرد با، ايجاد ويژگي و انتخاب ويژگي‌هاي تاثيرگذار، با استفاده از رويكردهاي فيلترينگ، فوروارد سلكشن و الگوريتم ژنتيك، مي‌باشد. همچنين بررسي و ارزيابي، عملكرد مدل‌هاي، درخت تصميم، جنگل تصادفي و مدل‌هاي تركيبي بگينگ، بوستينگ و استكينگ جهت تشخيص، وبهبود دقت كلاس‌هاي بيماري شامل كلاس كم‌كار و پركار بيماري تيروئيد، برروي ويژگي‌هاي انتخاب شده، مي‌باشد. ارزيابي با معيارهاي دقت كل، دقت كلاس‌هاي بيماري و f-measure صورت گرفت. اين پژوهش بر روي داده‌هاي دانشگاه كاليفرنيا(UCI)، شامل 7200 ركورد با 21 ويژگي انجام گرفت. نتايج هر كدام از روش‌ها، با معيارهاي دقت‌كل وf-measure مقايسه گرديد، بررسي نشان داد كه، كارآمدترين روش براي انتخاب ويژگي بر روي داده‌هاي اين تحقيق، الگوريتم ژنتيك، و بهترين مدل طبقه‌بندي، بوستينگ درخت‌تصميم با ويژگي‌هاي ايجاد شده، مي‌باشد.

1397/10/11

A new model for diagnosis of thyroid disease based on extraction of rules using tree algorithms and feature selection

11/19/2019 12:00:00 AM

Abstract: Proper and early diagnosis of disease is one of the urgent needs of the medical community for the correct and timely treatment. This issue becomes even more important when faced with different illnesses with similar symptoms. Each of them requires proper diagnosis, and the correct treatment, for the person's actual illness. One of these diseases is thyroid disease, which has similar symptoms to a number of diseases, including cardiovascular disease. The techniques of data mining and machine learning are reliable and valuable methods, that can enhance the ability of physicians to correctly diagnose and treat the illness. The main goal of this research is to extract rules of thyroid disease, create the features and analyze the use of filter-based, wrapper based and the genetic algorithm feature selection to select the most effective features on disease identification and selection of the best approach with balancing the data. The analyse also performed using decision trees models, random forest, bagging, boosting, and stacking methods for diagnosis and improvement of the precision of classes of illness, that including Hypothyroidism and Hyperthyroidism, performance evaluation was performed with 4 metrics accuracy, precision, recall and f-measure. This research was conducted on data from the University of California (UCI), which included 7200 records with 21 features. Experimental results showed that the genetic algorithm produced maximum efficiency in feature selection, and the boosted tree with created features produced maximum f-measure among other classifier.