一种用于甲状腺疾病检测的新型混合方法:整合鱼算法和模拟火以进行最佳特征选择

科学领域:

• 内分泌学和医学诊断
• 医疗保健中的计算智能

背景情况:

• 甲状腺疾病,包括甲状腺功能过高和甲状腺功能低下,是影响新陈代谢率的慢性内分泌疾病.
• 及时诊断对于预防严重的健康并发症和改善患者生活质量至关重要.

研究的目的:

• 开发和评估一种用于早期和准确检测甲状腺疾病的新型混合算法.
• 通过提高诊断能力来加强临床决策过程.

主要方法:

• 建议采用混合算法,将鱼优化算法 (CFA) 和模拟化算法 (SA) 整合在一起.
• 机器学习模型用于分类任务.
• 使用混合算法优化了特征选择.

主要成果:

• 拟议的混合算法在基准数据集上显示出高性能.
• 诊断准确率达到了98.91%和F1得分达到了94.83%.
• 展示了整合优化和机器学习方法的稳定性.

结论:

• 机器学习与自然优化技术的整合显著提高了甲状腺疾病的诊断.
• 这种方法可以迅速诊断并促进有效的治疗计划.
• 这项研究有助于医疗诊断甲状腺疾病的早期发现.