روش جدید بهینه سازی پارامترهای ماشین بردار پشتیبان با الگوریتم های جهش قورباقه و جستجوی گرانشی برای تشخیص بیماری تیروئید

سابقه و هدف: غده تیروئید به عنوان یکی از غدد حیاتی بدن می باشد. در صورت عدم تشخیص به موقع بیماری تیروئید در فرد ممکن است به مرگ وی منجر گردد. هدف از این پژوهش ارائه مدلی دقیق تر مبنی بر تکنیک های داده کاوی به منظور تشخیص این بیماری است. مواد و روش ها: پایگاه داده این مطالعه شامل 7200 رکورد مستقل شامل 21 ریسک فاکتور و برگرفته از مرجع داده استاندارد uci می باشد. در ابتدا روش انتخاب ویژگی دسته بندی (wrapper) برای شناسایی یک زیر مجموعه قدرتمند از 21 ویژگی نمونه در پایگاه داده استفاده می شود. سپس از ماشین بردار پشتیبان (support vector machine (svm)) به منظور طبقه بندی استفاده شده است. در نهایت جمع بهینه سازی پارامترهای svm و در نتیجه افزایش دقت و حساسیت مدل از الگوریتم های تکاملی کارا و معروف جهش قوباقه و جستجوی گرانشی استفاده شده است. یافته ها: دقت و حساسیت استفاده از svm بر روی پایگاه داده تحت تست به ترتیب برابر با 81% و 63% می باشد و نتیجه ترکیب هر یک از الگوریتم های تکاملی با svm دارای دقت و حساسیت 97.85% و 78% برای ترکیب الگوریتم ژنتیک، 98.67% و 99% برای ترکیب الگوریتم قورباغه 98.02% و 99% برای ترکیب الگوریتم گرانشی است. بحث و نتیجه گیری: دقت و حساسیت نتایج بدست آمده از ترکیب الگوریتم های قورباغه و گرانشی با svm در مقایسه با کارهای گذشته بهبود داشته است. قابل توجه است که در علم پزشکی درصد حساسیت روش تشخیص یعنی درصد بیمارانی که به درستی بیمار تشخیص داده شده اند از اهمیت بالایی برخوردار است.