通过创新的堆叠组合学习模型改进甲状腺疾病诊断.
Ayesha Hassan1, Shabana Ramzan1, Ali Raza2,3
1Department of Computer Science & IT, Government Sadiq College Women University Bahawalpur, Punjab, Pakistan.
Digital health
|June 9, 2025
概括
机器学习可以准确地诊断甲状腺疾病. 一个整体模型实现了99.86%的准确性,改善了对甲状腺功能低下症和甲状腺功能过高症等疾病的及时检测.
科学领域:
- 计算生物学和生物信息学
- 医学信息学和人工智能
背景情况:
- 甲状腺疾病,包括甲状腺功能低下症,甲状腺功能过高症和结节,在全球普遍存在,影响数百万.
- 没有治疗的甲状腺疾病会导致严重的健康并发症,这强调了需要准确诊断的必要性.
- 及时和精确的诊断对于有效管理和治疗甲状腺疾病至关重要.
研究的目的:
- 开发一种全面的机器学习 (ML) 技术,用于准确诊断甲状腺疾病.
- 评估各种ML算法的有效性和甲状腺状况检测的整体方法.
主要方法:
- 数据预处理包括处理缺失值,编码分类特征和特征选择.
- 合成少数人过量采样技术 (SMOTE) 解决了阶级不平衡问题.
- 使用了五种ML算法 (逻辑回归,SVM,决策树,随机森林,梯度增强) 和一个堆叠组合方法.
主要成果:
- 用10倍的交叉验证进行了稳健的模型评估,并防止过拟合.
- 提出的堆叠组合模型实现了99.86%的诊断准确度.
- 整体方法在诊断性能方面明显优于单个ML模型.
结论:
- 机器学习,特别是组合方法,在诊断甲状腺疾病方面表现出很高的能力.
- 该研究强调了ML在提高甲状腺疾病诊断的准确性和及时性方面的潜力.
- 这种方法可以帮助临床医生更好地管理患有各种甲状腺疾病的患者.
