甲状腺疾病诊断的全面框架:集成先进的特征选择,遗传算法和机器学习,以提高准确性和其他性能矩阵

科学领域:

• 内分泌学和医学信息学
• 计算方法在医疗保健中的应用.

背景情况:

• 甲状腺激素调节重要生理功能,包括新陈代谢和发育.
• 失衡会导致严重的健康问题,如认知障碍和神经系统损伤.
• 甲状腺疾病的常规诊断方法通常是耗时和劳动密集的.

研究的目的:

• 为了提高诊断甲状腺疾病的准确性和效率.
• 为了评估各种机器学习算法的性能.
• 调查混合基因算法 (GA) -机器学习 (ML) 模型在甲状腺疾病检测中的实用性.

主要方法:

• 利用UCI甲状腺数据集进行分析.
• 预处理的数据包括处理缺失值,特征缩放和相关性分析.
• 在默认和混合GA-ML配置 (GA-RF,GA-LR,GA-SVM,GA-DT,GA-AB) 中测试了五个ML算法 (LR,RF,SVM,AB,DT).

主要成果:

• 随机森林 (RF) 在非混合模型中获得了最高的准确性 (93.93%).
• 混合GA-RF模型表现出卓越的性能,达到97.21%的精度.
• GA-RF模型在所有评估指标中都表现出色,包括F1得分,灵敏度,特异性,精度和科恩的卡帕.

结论:

• 混合GA-ML方法显示出改善临床诊断过程的巨大潜力.
• 该GA-RF模型提供了一个强大的和可扩展的解决方案,用于准确识别甲状腺疾病.
• 这项研究强调了先进的计算技术在内分泌诊断中的优势.