تاثیر ویژگی های پیوسته در بهبود تشخیص بیماری تیروئید با استفاده از شبکه های عصبی مصنوعی

ایمان ذباح¹ سید احسان یثربی نایینی² حمید بلوچی³

1) هیات علمی دانشگاه ازاد اسلامی تربت حیدریه-
2) هیات علمی دانشگاه تربت حیدریه-
3) کارشناسی نرم افزار دانشگاه ازاد اسلامی تربت حیدریه-

کد IOI مقاله : XYEC-BAHFF
محل انتشار : چهارمین کنفرانس بین المللی مهندسی و علوم کاربردی(4iceasconf.com)
چکیده :
    امروزه شبکه های عصبی مصنوعی با توجه به توانایی آنها در طبقه بندی داده ها،قابلیت پیش بینی کاربرد بسیار وسیعی در زمینه های مختلف از جمله علم پزشکی دارند. لذا به دلیل ویژگی های منحصر به فرد آنها در این پژوهش از این نوع شبکه ها برای تشخیص و شناسایی بیماری های غده تیروئید استفاده می کنیم. فعالیت نامطلوب تیروئید ناشی از دو عامل ترشح کم هورمون تیروئید(کم کاری) و یا ترشح زیاد این هورمون(پرکاری) میباشد. که با توجه به 21 ویژگی قابل تشخیص میباشد. در این پژوهش از یک شبکه عصبی پرسپترون چند لایه جهت پیش بینی بیماری تیروئید استفاده شده است. داده های این تحقیق از سایت دانشگاه کالیفرنیای آمریکا جمع آوری شده است . در ابتدا به کمک نرم افزار Spss تحلیل آماری روی داده ها صورت گرفته است. سپس به کمک نرم افزار matlab به طراحی شبکه های عصبی مختلف جهت پیش بینی بیماری تیروئید پرداختیم. در ابتدا با استفاده از کلیه ویژگی ها به طراحی یک شبکه MLP پرداختیم و توانستیم به دقت٪95.5 دست یابیم و در نهایت با انتخاب تعداد 5 ویژگی مناسب و با معماری )3-3-8-5) توانستیم به دقت ٪96.6 دست یابیم.

کلمات کلیدی : شبکه عصبی مصنوعی پرسپترون چندلایه بیماری تیروئید