需要JoVE订阅才能观看此内容。 请登录或开始免费试用

方法文章

利用计算智能技术对沙特阿拉伯东部省甲状腺功能减退症的早期诊断

190 次观看

⸱

DOI：

10.3791/70065

⸱

2026年5月22日

 ,  ,  ,  ,  ,  ,  ,  ,  ,  , 
1Department of Computer Engineering, College of Computer Science and Information Technology, Imam Abdulrahman Bin Faisal University, 2Department of Data Science and Artificial Intelligence, Faculty of Computing, Adekunle Ajasin University, 3Department of Computer Science, College of Computer Science and Information Technology, Imam Abdulrahman Bin Faisal University, 4Department of Computer Science, Kettering University, 5Department of Information Technology, School of Engineering and Technology, Nagaland University

本文内容

摘要

本研究探讨了四种机器学习算法在甲状腺功能减退症前瞻性诊断中的应用：K近邻算法（KNN）、支持向量机（SVM）、极端梯度提升（XGBoost）以及软投票集成分类器。这些算法基于系统的文献综述筛选得出，并应用于一组在沙特阿拉伯本地收集的数据集。 

摘要

甲状腺功能减退症是沙特阿拉伯最常见但诊断不足的疾病之一，尤其在老年女性、孕妇以及糖尿病和睡眠呼吸暂停患者中更为普遍。甲状腺功能减退症的特征是甲状腺无法产生足够的甲状腺激素，若不及时治疗，可能导致其他慢性疾病。因此，本研究提出采用机器学习技术，利用来自沙特阿拉伯的简单临床数据集对这种疾病进行早期诊断。鉴于数据规模有限，本研究主要作为概念验证。研究选用了KNN、SVM、梯度提升以及软投票集成分类器等算法，因其在甲状腺功能减退症及相关疾病的主动诊断方面相比其他算法表现出更优性能。其中表现最佳的模型是软投票集成分类器，准确率达到94.7%；SVM、KNN和XGBoost的准确率分别为94%、93.42%和92.1%。这些结果通过10折交叉验证和前向序列特征选择方法获得。

引言

甲状腺功能障碍（TD）是最常见的慢性内分泌疾病之一，在不同人群中患病率各异1。最常见的两种甲状腺疾病为甲状腺功能减退症和甲状腺功能亢进症。甲状腺功能减退症是一种由于甲状腺激素生成不足引起的常见疾病。尽管该病通常可通过治疗得到控制，但在严重情况下若未及时处理，可能危及生命。成人甲状腺功能减退症最常见的症状包括疲劳、便秘、嗜睡、体重增加、皮肤干燥以及声音改变。然而，其临床表现可能因年龄、性别及其他因素而有所不同3。据报道，该疾病影响约5%的普通人群，另有5%的患者未被诊断，其中99%为原发性甲状腺功能减退症。在阿拉伯海湾国家，该病较为普遍，但常被漏诊4。在沙特阿拉伯，先天性甲状腺功能减退症大约每3,450名新生儿中就有1例。其他仅针对女性的横断面研究报道的患病率更高，范围在13%至35%之间5。此外，这些研究进一步证明女性比男性更易感6。若甲状腺功能减退症未得到治疗，可能导致血脂异常、认知功能障碍、高血压、不孕以及神经肌肉功能障碍7。因此，本研究旨在利用来自沙特阿拉伯达曼国王法赫德专科医院（KFUH）的数据集，采用机器学习方法对甲状腺功能减退症进行主动诊断。

甲状腺功能减退症可能难以诊断，因为其症状常被误认为是其他疾病的症状8。此外，甲状腺功能减退症的延迟诊断可能对患者的智力能力产生负面影响9。促甲状腺激素（TSH）检测是用于诊断甲状腺功能减退症最常用的方法9。然而，随着人工智能和机器学习方法、策略及工具的出现，已在多个医学领域帮助解决了诊断和预后方面的问题。机器学习被用于评估临床因素及其组合在预后中的重要性，例如预测疾病进展、提取用于结局研究的医学知识、治疗规划与支持，以及整体患者护理10。随着大量医学数据的可获得性，医疗从业者如今拥有了宝贵的资源，可通过机器学习发现新的、潜在有价值的医学知识11,12。

本研究利用来自沙特数据集的一个简单临床数据集，旨在协助该国医护人员早期诊断甲状腺功能减退症，并将这一预测系统应用于计算机资源和设备有限的医院。此外，该领域先前的研究尚未使用沙特数据集，这为结合沙特数据集与以往研究提供了机会。已有研究分别采用沙特数据集对肾病、糖尿病、甲状腺疾病和阿尔茨海默病进行预测，均取得了较高的准确性13,14,15。这一经验激励我们将这些方法应用于沙特阿拉伯其他疾病的预测。这些研究属于医学领域中机器学习与人工智能方向的最新成果16,17,18,19。

本研究探讨在沙特阿拉伯一个简单的甲状腺功能减退症临床数据集上应用机器学习技术，以在疾病完全出现症状之前预测其发生。目标是开发一种基于机器学习的系统，对甲状腺功能减退症的潜在发病提供早期预警。该系统还将便于设备有限的本地医院使用这一诊断工具。本研究是首次利用沙特数据集针对该疾病在症状出现前阶段开展的分析。该数据集涵盖了沙特本地医院广泛年龄范围的大量患者群体，包含甲状腺功能亢进症的阳性与阴性病例。

本研究采用了四种机器学习算法：支持向量机（SVM）、K近邻算法（KNN）、极端梯度提升（XGBoost），以及由SVM和KNN组成的软投票集成分类器。这四种算法均已在医学领域展现出其有效性。KNN算法因其简洁性而被选用，并在糖尿病（DM）的早期诊断中实现了77.5%的测试准确率20。同时，SVM因其鲁棒性而被选中21，并已被用于预测新冠肺炎（COVID-19）患者的死亡风险22。此外，XGBoost因其优异的性能被选用23，在高血压结局预测中达到了94%的准确预测分数，同时采用堆叠（stacking）方法以提升表现最佳算法的结果。  此外，投票集成分类器已被用于甲状腺疾病识别，并实现了100%的准确率24。

本研究的主要目标是利用原始的常规临床数据和先进的机器学习算法，在沙特人群中实现甲状腺功能减退症的早期诊断。研究中采用的四种技术均基于Python编程语言，在Jupyter平台上实现，并使用了甲状腺功能减退症数据集。通过采用10折交叉验证并结合超参数调优以提升模型性能。随后实施了基于前向选择法的序列特征选择，结果表明，投票集成分类器达到了最高的准确率，为94.7%。支持向量机（SVM）、K近邻（KNN）和XGBoost的准确率依次略低。在召回率方面，软投票集成分类器取得了最高分，达到95.5%。总体而言，本研究中在所有评估的性能指标上均表现最优的模型是软投票集成分类器，其在各项指标上均取得最高分。

已有若干研究针对甲状腺疾病的总体诊断，以及将技术（尤其是机器学习）作为计算机辅助解决方案的应用展开。研究人员采用拉曼光谱技术，结合LSTM-CNN、AlexNet、调整后的GoogLeNet、IndRNN–CNN和调整后的ResNet深度学习模型，用于区分来自32名甲状腺功能减退患者、38名甲状腺功能亢进患者以及29名对照个体的血清样本。这些模型分别达到84%、91%、75%、82%和71%的准确率25。

支持向量机（SVM）、K近邻（KNN）、逻辑回归和随机森林等机器学习算法已被用于预测鼻咽癌患者放射性甲状腺功能减退的发生率26。该模型的AUC值达到0.7。此外，作者还采用多种机器学习算法来预测接受左旋甲状腺素（LT4）治疗的甲状腺功能减退患者的治疗趋势。在10种分类器中，极限树分类器的准确率最高，达到84%。

在另一项研究中，作者创建并测试了一种机器学习策略，用于识别那些需要立即接受治疗的甲状腺功能亢进和甲状腺功能减退患者27。他们采用了梯度提升决策树（GBDT）、支持向量机（SVM）、人工神经网络（ANN）和逻辑回归算法。其模型对甲状腺功能亢进和甲状腺功能减退的AUROC分别达到93.8%和90.9%。在另一项研究中，作者使用机器学习来检测包括甲状腺功能减退和甲状腺功能亢进在内的甲状腺疾病。他们的模型包括SVM、ANN、KNN、逻辑回归和决策树，其中逻辑回归取得了最高的准确率，为96.92%28。最近，一组研究人员应用了多种方法，包括SVM、决策树、朴素贝叶斯和集成方法，用于预测和检测甲状腺功能减退。决策树取得了最高的准确率，达到97.6%29。另一项研究采用基于核函数的混合微分进化朴素贝叶斯算法，将甲状腺功能亢进和甲状腺功能减退疾病的甲状腺数据集属性从21个减少到10个。随后，他们将基于核函数的朴素贝叶斯分类器应用于该特征子集，实现了97.97%的准确率30。同样，在另一项研究中，作者使用多种机器学习算法，在加州大学提供的病态甲状腺正常状态数据集上预测甲状腺疾病风险。实验结果表明，人工神经网络（ANN）优于其他所有方法，准确率达到95%31。此外，Jha 等人采用基于深度神经网络的特征增强技术来预测甲状腺疾病，取得了高达99.95%的卓越准确率32。

根据以往文献，采用包含多种属性选择的同质投票集成方法来识别甲状腺疾病，所使用的算法包括：随机森林、梯度提升、决策树和逻辑回归，获得了100%的准确率24。此外，作者将极限学习机模型应用于Kaggle平台上的甲状腺功能减退公开数据集，准确率达到92%。该数据集包含3772个样本：其中3481例为甲状腺功能减退，其余为阴性33。最近，一项研究中作者采用装袋CART（bagged CART）方法对甲状腺功能减退进行分类，所提出的模型取得了高达99.9%的准确率。此外，T4U、TSH和TBG被确定为与甲状腺功能减退最相关的显著因素34。在另一项研究中，作者提出并比较了多种机器学习与深度学习模型，其中决策树和随机森林的准确率分别达到99.5%和99.3%。他们使用了一个包含30个属性和3772个样本的Weka数据集35。

本篇简要的文献综述表明，尽管现有大多数方法取得了从良好到极佳的效果，但尚未有研究利用来自沙特阿拉伯的简单临床数据集。此外还注意到，所考虑的多数出版物采用了影像学数据集，这增加了数据收集的工作量，并提高了非技术人员应用所构建的复杂模型的难度。 Furthermore，这些研究大多针对一般性甲状腺疾病，极少有文献专门关注甲状腺功能减退症。这一现状为利用沙特临床数据集探索基础机器学习模型提供了机会，有助于计算机设备有限的本地医院对疾病进行早期诊断。

本研究中所探讨的算法简要介绍见补充文件1。四种算法分别为K近邻（KNN）36,37,38,39,40、支持向量机（SVM）41,42,43,44,45、极端梯度提升（XGBoost）46,47,48和投票集成算法49,50。

访问受限。请登录或开始试用以查看此内容。

方案

1. 方法

注意：如材料表所述，本研究的实验在 Jupyter Notebook 中使用 Python 进行，用于开发甲状腺功能减退症的预诊断机器学习模型。数据预处理阶段使用了 Microsoft Excel 和 Python 的 Scikit-Learn 库。随后采用 K 最近邻（KNN）、支持向量机（SVM）、极端梯度提升（XGBoost）以及由 KNN 和 SVM 组成的软投票集成分类器对数据集进行训练，并通过 GridSearchCV 和 10 折交叉验证获取最优超参数。此外，还利用排列重要性（permutation importance）绘制了每种分类器的特征重要性图。

  1. 使用 mxl-tend 库的前向选择技术进行逐步特征选择。
  2. 对所有模型应用逐步特征选择器，并采用 10 折交叉验证来筛选最优特征子集。
  3. 通过 10 折交叉验证评估所有模型的平均准确率、召回率、精确率、F1 分数和对数损失，以确定最佳模型。
  4. 此外，针对每个模型，使用最优超参数和最佳特征子集生成混淆矩阵及受试者工作特征曲线下面积（AUROC）。
  5. 由三名分别来自耳鼻喉科、普通内科和放射科的专家团队对诊断结果进行验证。图 1 概述了实验结果的框架。

机器学习工作流程图，从数据集预处理到超参数调优和特征评估。
图1： 实验框架。 这是本研究的实验框架。请点击此处查看该图的放大版本。

注意：甲状腺功能减退症的沙特数据集来自沙特阿拉伯达曼市的法赫德国王专科医院（KFSH）。该医院是一所隶属于伊玛目阿卜杜勒·拉赫曼·本·费萨尔大学（前身为达曼大学）的公立医院。达曼位于东部省，大多数患者来自同一地区。在机构审查委员会（IRB）批准后，该数据集在医院常规分诊程序和试验过程中收集，并作为患者健康记录（PHRs）录入医院管理系统，登记时间为2020年至2021年。该数据集包含152名患者（100名女性和52名男性）的标准临床检测结果，年龄范围为11至92岁，其中89名被确诊为甲状腺功能减退症。相比之下，其余63名患者未被诊断为甲状腺功能减退症，但患有其他疾病，如阿尔茨海默病。该数据集最初包含483个属性，在预处理阶段通过剔除缺失值超过30%的属性，最终将属性数量减少至18个。表1列出了本研究中所使用的特征。

特点 描述 
年龄年龄（岁）。
性别男性或女性。
白细胞（WBC）白细胞计数
温度以摄氏度（˚C）为单位的体温。
红细胞（RBC）红细胞计数
血小板血小板计数
平均血小板体积平均血小板体积
脉搏血氧饱和度血液中氧气含量的测量（氧饱和度）。
MCH平均红细胞血红蛋白量
RDW红细胞分布宽度
MCV平均红细胞体积
MCHC平均红细胞血红蛋白浓度
脉冲心率
红细胞压积红细胞体积
收缩压最高的血压。
血红蛋白血液中的血红蛋白水平。
舒张压 – 舒张期最低压力
呼吸频率每分钟呼吸频率

表1：数据集描述。 本表展示了描述性数据集。

2. 统计学分析

注意：对数据集进行统计分析有助于可视化和理解数据集的模式，从而更好地进行数据预处理和建模。表2展示了甲状腺功能减退症疾病数据集的统计分析结果，比较了HT组与非HT组之间的结果。

  1. 为了研究阳性组与阴性组之间的 demographics 特征是否存在不平衡，使用 SPSS 软件（版本：26.0，IBM，USA）进行统计分析。
  2. 如果满足正态分布和方差齐性条件，则采用独立样本 t 检验对定量数据进行分析；否则采用 Mann-Whitney U 检验。
  3. 对分类数据采用卡方检验或 Fisher 精确检验进行分析。
变量甲状腺功能减退症 (n = 89)非甲状腺功能减退症 (n = 63)t / U 值P 值
年龄43.00 (33.00, 54.00)76.00 (70.00, 80.50)5.388< 0.001
呼吸频率20.00 (20.00, 20.00)20.00 (20.00, 21.50)2.5610.004
血压 – 收缩压117.72 ± 16.46127.85 ± 17.773.3020.001
血压 – 舒张压73.00 (68.00, 79.00)72.95 (65.00, 80.25)2.0760.892
脉搏79.09 ± 12.1982.35 ± 12.721.470.145
体温36.60 (36.50, 36.80)36.70 (36.60, 36.90)2.5760.029
脉搏血氧饱和度99.00 (99.00, 100.00)99.00 (98.00, 99.00)1.0880.005
血细胞比容38.20 (35.88, 40.23)37.30 (31.30, 41.30)1.4710.318
红细胞计数4.52 (4.26, 4.81)4.37 (3.81, 4.89)1.360.104
血红蛋白12.70 (11.70, 13.53)12.30 (10.00, 13.85)1.4810.345
红细胞分布宽度 (RDW)13.80 (13.38, 14.93)14.90 (13.80, 16.45)2.2120.002
平均红细胞体积 (MCV)83.54 ± 6.8585.05 ± 8.531.0420.3
血小板计数261.23 ± 63.97223.62 ± 68.88−2.9450.004
平均红细胞血红蛋白浓度 (MCHC)33.60 (32.80, 34.02)33.20 (32.30, 34.00)1.3140.06
平均红细胞血红蛋白量 (MCH)28.00 (26.55, 29.57)28.10 (26.55, 30.20)1.780.468
平均血小板体积 (MPV)8.81 ± 0.878.79 ± 1.38−0.0740.941
白细胞计数6.10 (4.80, 7.43)7.20 (5.70, 8.90)2.0750.017

表2：特征的统计分析。 本表展示了HT组与非HT组特征的统计分析结果。缩写：HT = 甲状腺功能减退症。

注意：在表2中，高血压组（HT）与非高血压组（非HT）在年龄、呼吸频率、收缩压、体温、脉搏血氧饱和度、红细胞分布宽度（RDW）、血小板计数和白细胞计数方面存在显著差异。因此，生理学特征可能可用于区分这两组。

3. 数据预处理

  1. 加载原始 CSV 数据。本研究使用的数据集为 CSV 格式。首先，以原始格式导入 CSV 文件。如下所示：
    clean_data = pd.DataFrame(normalized,columns=['sex','Age','Pulse','BP - Systolic','BP - Diastolic','Temperature','Respiratory Rate','MCV','MCH','MCHC','Hematocrit','White Blood Cells','Hemoglobin','Red Blood Cells','RDW','Platelet','MPV','Pulse Ox','Description'])
  2. 进行数据预处理，包括去除异常值、处理缺失值和归一化，以提升模型对数据的表征能力和准确性。
  3. 使用 Microsoft Excel 对数据集进行初步处理，包括去除异常值。通过散点图识别并移除“脉搏血氧”、“收缩压”、“舒张压”和“呼吸频率”中的异常值，并以各自均值替代。
  4. 处理缺失值
    将数据集导入 Python，并使用 NumPy、Pandas 和 Scikit-learn 库进行预处理。采用 sklearn 库中的 KNN 插补器（KNN imputer）处理缺失值。
    注：使用欧氏距离度量，并设置近邻数为 5。如下所示：
    imputer = KNNImputer(n_neighbors=5)
    data = imputer.fit_transform(clean_data)
    scaler = MinMaxScaler()
    scaler.fit(data)
  5. 将字符串编码为二进制形式。
    注：“Description”和“Gender”字段中，整数值 1 分别表示“Positive”和“Female”，而 0 分别表示“Negative”和“Male”。随后使用 sklearn 库中的 MinMaxScaler 对数据集进行缩放，将数值映射至 0–1 范围内。如下所示：
    normalized = scaler.transform(data)

4. 模型构建与评估

注意：交叉验证的数据划分：经过不同折数的多次实验后，发现 10 折交叉验证效果最佳，因此后续采用该方法。

  1. 使用指定的超参数训练每个模型。
  2. 执行特征选择，并基于所选特征重新训练模型。
    注意：在本研究中，采用了前向序列特征选择技术，并针对最优特征集对模型进行了优化。对于步骤 4.1–4.2，已部署以下代码段：
    from sklearn.model_selection import train_test_split, GridSearchCV, StratifiedKFold
    kf = StratifiedKFold(n_splits=10, shuffle=True, random_state=1)
    网格搜索采用分层 k 折交叉验证，折数为 10，评分指标为准确率。以下代码展示了使用支持向量机（SVM）的执行示例。
    参数 = {
    '核函数': ['linear', 'poly', 'rbf', 'sigmoid']
    'C': [1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 100]
    'gamma'：[1, 0.1, 0.01, 0.001, 0.0001]
    }svm = SVC(random_state = 1)
    svm_GS = GridSearchCV(svm,
    参数，
    cv=kf
    scoring='accuracy'
    )
    svm_GS.fit(X, y)
    fig = plot_cv_results(svm_GS.cv_results_, 'C', 'kernel')
    sfs1 = SFS(estimator=svm,
    k特征=(1, 18),
    正向=True,
    floating=False,
    scoring='accuracy'
    cv=kf
  3. 评估性能指标并选择最终模型。
    注意：性能度量：本研究采用了分类任务中最常用的性能度量指标，即准确率、精确率、召回率、F1分数和对数损失。以下简要描述这些性能度量指标及其计算公式。
    精确率（PR）：属于总预期阳性观测值中的真阳性观测值数量。其计算公式为：
    Precision formula PR=TP/(TP+FP), statistical analysis, method diagram.    (1)
    召回率（RE）：表示被预测为阳性的实际阳性样本数量。其计算公式为：
    Static equilibrium formula, RE=TP/(TP+FN), ratio relation, mathematical equation.    (2)
    准确率（AC）：指模型做出的正确预测所占的百分比。其计算公式为：
    Accuracy formula, AC=(TP+TN)/(TP+TN+FP+FN), equation for performance evaluation in diagnostics.    (3)
    其中：
    真阳性（TP）：正确分类的甲状腺功能减退病例数。
    假阳性（FP）：被错误分类的甲状腺功能减退病例数量。
    真阴性（TN）：正确分类的非甲状腺功能减退实例数量。
    假阴性（FN）：被错误分类为非甲状腺功能减退症的实例数量。
    F1分数：这是召回率和精确率的加权平均值，由以下公式给出
    F1-score equation; 2*(Precision*Recall)/(Precision+Recall); formula analysis.    (4)
    对数损失：该指标用于衡量预测概率与实际真实值的接近程度。
    由以下公式给出：
    Log loss formula; mathematical equation; statistical analysis; predictive modeling; Σyijlog(pij).    (5)
    何处 N 和 M 分别表示样本数和特征数， Yij 表示是否 ith 样本属于 j是否为 th 类别 Pij 表示……的概率 i第 th 个样本属于 j本研究还绘制了受试者工作特征曲线（ROC），该曲线在预测二分类结果的概率方面具有重要作用。通过该曲线可直观展示模型在不同阈值设置下的表现情况。ROC曲线反映了模型区分不同类别能力的优劣程度。
  4. 优化策略
    注意：在任何机器学习研究中，超参数优化对于获得最佳结果至关重要，其重要性再怎么强调也不为过。本研究采用带分层10折交叉验证的GridSearchCV来确定每个模型的最优超参数。GridSearchCV是一种用于精细调整模型参数的工具，它通过遍历参数网格中提供的所有参数组合，选择最优组合。超参数调优对于识别每个模型的最高准确率至关重要。各模型的超参数，包括取值范围、最佳值及其产生的准确率，如下所示 表3.
算法超参数名称超参数范围最佳值使用最佳值时的准确率
K-近邻 (K-NN)距离度量 (Metric)‘minkowski’、’manhattan’、’euclidean’minkowski84.21%
近邻数 (N_neighbors)3, 5, 7, 9, 11, 135
支持向量机 (SVM)核函数 (Kernel)‘linear’、‘poly’、’rbf’、‘sigmoid’linear92.76%
惩罚系数 (Cost, C)1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 1009
核函数系数 (Gamma)1, 0.1, 0.01, 0.001, 0.00011
XGBoost弱学习器数量 (N_estimators)5,01,00,15,02,00,25020089.47%

表3：最优超参数。 本表展示了各模型的最优超参数。

图2–4展示了针对KNN、SVM和XGBoost方法的超参数搜索的网格搜索策略，以及如何利用所有特征进行实现。

CV 网格搜索结果图；KNN 模型，平均测试得分 vs. 邻居数量，距离度量：minkowski、manhattan、euclidean。
图 2：KNN 模型性能。 本图展示了 KNN 模型在不同距离度量方式和不同邻居数量下的性能表现。缩写：KNN = K 最近邻。 请点击此处查看该图的放大版本。

SVM 超参数网格搜索结果；折线图显示不同核函数性能（线性、多项式、径向基、Sigmoid）。
图 3： SVM 性能。 此图为支持向量机（SVM）在不同核函数与代价函数取值下的性能表现请点击此处查看该图的放大版本。

CV 网格搜索结果图；平均测试得分 vs 决策树数量；显示不同提升方法的性能。
图 4：XGBoost 性能。 本图展示了不同提升器（Booster）和决策树数量（N_estimator）取值下的 XGBoost 模型性能。缩写：XGBoost = 极端梯度提升（Extreme gradient boosting）。 请点击此处查看该图的放大版本。

  1. 创建一个软投票分类器，通过结合从 KNN 和 SVM 分类器中获得的最佳参数，进一步提升模型性能。该分类器包含一个 KNN 分类器和两个 SVM 分类器。
  2. 将其中一个 SVM 的核函数替换为“rbf”，即仅次于“linear”的第二优核函数。
  3. 注意：选择这些分类器及其相应的超参数，是因为在对所有分类器及其超参数进行多次试错后，它们表现出最优的性能。此外，基于长期使用类似文献14,15中收集的临床数据集处理各类疾病先兆诊断问题的经验，该组合展现出良好的诊断准确性，实验部分将进一步证明这一点。表4列出了用于软投票的分类器、其超参数以及所达到的准确率。
算法分类器超参数准确率
软投票分类器K-近邻度量方式Minkowski
N_neighbors5
SVM1核函数linear
代价 (C)988.81%
Gamma1
SVM2核函数rbf
代价 (C)9
Gamma1

表4：投票分类器超参数。 本表展示了投票分类器的组合方式及其超参数。

访问受限。请登录或开始试用以查看此内容。

结果

模型性能
本研究构建的四个模型在准确性、召回率和测试方面进行了比较和分析。采用 GridsearchCV 算法利用所有特征为每个模型确定最优超参数。每个模型的性能通过分层 10 折交叉验证进行评估。表 5 展示了各模型性能的结果。

分类器准确率召回率精确率F1分数对数损失
K-近邻 84.2...

访问受限。请登录或开始试用以查看此内容。

讨论

本研究基于沙特阿拉伯的临床数据集，探讨了机器学习算法在开发甲状腺功能减退症早期诊断模型中的应用。共构建了四种模型：KNN、SVM、XGBoost 和软投票集成分类器。所有四个模型均识别出年龄和呼吸频率是该疾病早期诊断的重要指标。在四种模型中，投票分类器在本研究使用的所有评估指标上均表现出最优性能。该模型仅使用五个特征，即达到了94.73%的准确率，同时召回率、精确率和F1分数均达到95.50%。紧随其后的是SVM模型，其准确率低0.66%，使用了六个特征。SVM和KNN的召回率相同，均为94.38%，比投票分类器低1.12%。KNN在甲状腺功能减退症的早期诊断中排名第三，准确率为93.42%。尽管XGBoost在准确率和精确率方面表现最差，但其召回率与投票分类器相同。综上所述，本研究结果支持基于集成学习的方法——特别是软投票分类器——作为甲状腺功能减退症早期检测的一种有效且具有生物学意义的工具。

以往一些研究在预测甲状腺功能减退症时取得了接近完美的准确率（例如，>96%），这些研究通常使用大规模的成熟数据集，或纳入了专门的甲状腺功能检测指标（如T3、T4、TSH水平）以及影...

访问受限。请登录或开始试用以查看此内容。

披露

该数据集已通过 IRB-2020-09-429 伦理审查批准从医院获取。作者声明本研究无任何利益冲突。

致谢

作者谨此感谢医疗专业人员对本研究结果验证所提供的支持。

访问受限。请登录或开始试用以查看此内容。

材料

本文使用的材料清单
姓名公司目录编号评论
笔记本电脑/设备DellXPS9320内存 16GB，第12代 Intel(R) Core(TM) i7-1260P
Excel 365MicrosoftExcel 365用于以 csv 格式存储原始数据
Python 3.12.12Google colab Notebook Python 3.12.12用于模型构建与训练 
Numpy 2.0.2Google colab Notebook Numpy 2.0.2用于模型构建与训练 
Pandas 2.2.2Google colab Notebook Pandas 2.2.2用于模型构建与训练 
Sklearn 1.6.1Google colab Notebook Sklearn 1.6.1用于模型构建与训练 
Mlxtend 0.23.4Google colab Notebook Mlxtend 0.23.4用于模型构建与训练 
XGbbost 3.1.2Google colab Notebook XGbbost 3.1.2用于模型构建与训练 
SPSS IBM, USASklearn 1.6.1用于统计分析

参考文献

  1. Biondi, B., Kahaly, G. J., Robertson, R. P. Thyroid dysfunction and diabetes mellitus: two closely associated disorders. Endocr Rev. 40 (3), 789-824 (2018).
  2. Khan, A., Khan, M. M. A., Akhtar, S. Thyroid disorders, etiology and prevalence. J. Med. Sci. 2 (2), 89-94 (2002).
  3. Bianco, A. C. Hypothyroidism. Lancet. 390 (10101), 1550-1562 (2019).
  4. Chiovato, L., Magri, F., Carle, A. Hypothyroidism in context: where we’ve been and where we’re going. Adv. Ther. 36 (2), 47-58 (2019).
  5. Alzahrani, A. S., et al. Diagnosis and management of hypothyroidism in gulf cooperation council (GCC) countries. Adv. Ther. 37 (7), 3097-3111 (2020).
  6. Alhajri, A. H. M., Saleh Al Saad, A. M. S., Idrees, H., Hamednalla Mohamed, O. M., Mohammednoor, M., et al. Prevalence and risk factors of subclinical and overt hypothyroidism in Saudi Arabia: A Systematic Review. Cureus. 17 (6), e86336(2025).
  7. Gaitonde, D. Y., Rowley, K. D., Sweeney, L. B. Hypothyroidism: An update. Am. Fam. Physician. 86 (3), 244-251 (2012).
  8. Bianco, A. C. Emerging therapies in hypothyroidism. Annu. Rev. Med. 75, 307-319 (2024).
  9. Pulungan, A. B., Oldenkamp, M. E., Sarinus, A., Van Trotsenburg, P., Windarti, W., et al. Effect of delayed diagnosis and treatment of congenital hypothyroidism on intelligence and quality of life: an observational study. Horm. Res. Paediatr. 28 (4), 396-401 (2019).
  10. Musleh, D., Rahman, A., Almossaeed, H., Balhareth, F., Alqahtani, G., et al. AI-enabled diagnosis using YOLOv9: leveraging X-Ray image analysis in dentistry. Big Data Cogn. Comput. 10 (1), 16(2026).
  11. Alassaf, R. A., et al. Preemptive diagnosis of chronic kidney disease using machine learning techniques. International Conference on Innovations in Information Technology (IIT), Al Ain, United Arab Emirates, , 99-104 (2018).
  12. Rahman, A., Youldash, M., Alshammari, G., Sebiany, A., Alzayat, J., et al. Diabetic retinopathy detection: a hybrid intelligent approach. Comput. Mat. Contin. 80 (3), 4561-4576 (2024).
  13. Luca, M., Cimitile, M., Iammarino, M., Iammarino, M. Thyroid disease treatment prediction with machine learning approaches. Procedia Comput. Sci. 192, 1031-1040 (2021).
  14. Olatunji, S. O., Alansari, A., Alkhorasani, H., Alsubaii, M., Sakloua, R., et al. Preemptive diagnosis of Alzheimer's disease in the eastern province of Saudi Arabia using computational intelligence techniques. Comput. Intell. Neurosci. 2022, 5476714(2022).
  15. Olatunji, S. O., Alansari, A., Alkhorasani, H., Alsubaii, M., Sakloua, R., et al. A novel ensemble-based technique for the preemptive diagnosis of Rheumatoid Arthritis disease in the eastern province of Saudi Arabia using clinical data. Comput Math Methods Med. 2022, 2339546(2022).
  16. Rahman, A. Geo-spatial disease clustering for public health decision making. Informatica. 46 (6), 21-32 (2022).
  17. Gollapalli, M., Rahman, A., Kudos, S. A., Foula, M. S., Alkhalifa, A. M., et al. Appendicitis diagnosis: ensemble machine learning and explainable artificial intelligence-based comprehensive approach. Big Data Cogn. Comput. 8 (9), 108(2024).
  18. Youldash, M., Rahman, A., Alsayed, M., Sebiany, A., Alzayat, J., et al. Early detection and classification of diabetic retinopathy: a deep learning approach. AI. 5 (4), 2586-2617 (2024).
  19. Zagrouba, R., Khan, M. A., et al. Modelling and simulation of COVID-19 outbreak prediction using supervised machine learning. Comput. Mat. Contin. 66 (3), 2397-2407 (2021).
  20. Wu, X., et al. Top 10 algorithms in data mining. Knowl. Inf. Syst. 14 (1), 1-37 (2008).
  21. Chen, T., Guestrin, C. XGBoost: A Scalable tree boosting system. Proc. ACM SIGKDD, 1, 785-794 (2016).
  22. Atta-ur-Rahman,, Sultan, K., Naseer, I., Majeed, R., Musleh, D., et al. Supervised machine learning-based prediction of COVID-19. Comput. Mat. Contin. 69 (1), 21-34 (2021).
  23. Chang, W., et al. A machine-learning-based prediction method for hypertension outcomes based on medical data. Diagnostics. 9 (4), 178(2019).
  24. Akhtar, T., et al. Effective voting ensemble of homogenous ensembling with multiple attribute-selection approaches for improved identification of thyroid disorder. Electronics. 10 (23), 3026(2021).
  25. Li, Y., et al. Serum Raman spectroscopy combined with deep neural network for analysis and rapid screening of hyperthyroidism and hypothyroidism. Photodiagnosis Photodyn. Ther. 35, 102382(2021).
  26. Ren, W., et al. Dosiomics-based prediction of radiation-induced hypothyroidism in Nasopharyngeal Carcinoma patients. Phys. Medica. 89, 219-225 (2021).
  27. Hu, M., et al. Development and preliminary validation of a machine learning system for thyroid dysfunction diagnosis based on routine laboratory tests. Commun Med. 2 (1), 9(2022).
  28. Chaganti, R., Rustam, F., De La Torre Díez, I., Mazón, J. L. V., Rodríguez, C. L., et al. Thyroid disease prediction using selective features and machine learning techniques. Cancers. 14 (16), 3914(2022).
  29. Almahshi, H. M., Almasri, E. A., Alquran, H., Mustafa, W. A., Alkhayyat, A. Hypothyroidism prediction and detection using machine learning. IICETA, , 159-163 (2022).
  30. Geetha, K., Baboo, S. S. An empirical model for thyroid disease classification using evolutionary multivariate Bayesian prediction method. Glob. J. Comput. Sci. Technol. 16 (1), 1-10 (2016).
  31. Islam, S. S., Haque, S., Miah, M. S. U., Bin, T. Application of machine learning algorithms to predict the thyroid disease risk: an experimental comparative study. PeerJ Comput. Sci. 8 (1), e898 1-35 (2022).
  32. Jha, R., Bhattacharjee, V., Mustafi, A. Increasing the prediction accuracy for thyroid disease: a step towards better health for society. Wirel. Pers. Commun. 122 (2), 1921-1938 (2022).
  33. Cicek, I. B., Kucukakcali, Z. Classification of hypothyroid disease with extreme learning Machine Model. J. Cogn. Syst. 5 (2), 64-68 (2020).
  34. Res, A. M., Evren, B. Estimating hypothyroidism with the bagged CART model based on clinical dataset and identification of risk factors. Ann. Med. Res. 29 (10), 1189-1193 (2022).
  35. Guleria, K., Sharma, S., Kumar, S., Tiwari, S. Early prediction of hypothyroidism and multiclass classification using predictive machine learning and deep learning. Meas. Sensors. 24, 100482(2022).
  36. Bach, M. New undersampling method based on the kNN approach. Procedia Comput Sci. 207 (1), 3403-3412 (2022).
  37. Sajjad, M., Ismail, M., Atta-ur-Rahman,, et al. Generalized and open selection approaches for the population mean: accounting for non-response and measurement error in single-phase sampling. J Stat Theory Appl. 24, 394-411 (2025).
  38. Dash, S., Biswa, S., Banerjee, D., Rahman, A. Edge and fog computing in healthcare: a review. Scalable Computing: Practice and Experience. 20 (2), 191-205 (2019).
  39. Hantom, W. H., Rahman, A. Arabic spam tweets classification: A comprehensive machine learning approach. AI. 5 (3), 1049-1065 (2024).
  40. Arafat, H., Alfeilat, A., Hassanat, A. B. A., Lasassmeh, O., Tarawneh, A. S. Effects of distance measure choice on k-nearest neighbor classifier performance: a review. Big Data. 7 (4), 221-248 (2019).
  41. Brereton, R. G., Lloyd, G. R. Support vector machines for classification and regression. Analyst. 135 (2), 230-267 (2010).
  42. Musleh, D. A., Olatunji, S. O., Almajed, A. A., Alghamdi, A. S., Alamoudi, B. K., et al. Ensemble learning based sustainable approach to carbonate reservoirs permeability prediction. Sustainability. 15 (19), 14403(2023).
  43. Vapnik, V., Golowich, S. E., Ave, M., Hill, M. Support vector method for function approximation, regression estimation, and signal processing. NIPS'96: Proceedings of the 10th International Conference on Neural Information Processing Systems, , 281-287 (1996).
  44. Noble, W. S. What is a support vector machine? Nat. Biotechnol. 24 (12), 1565-1567 (2006).
  45. Sharifmousavi, S. S., Borhani, M. S. Support vector machine-based model for diagnosis of multiple sclerosis using the plasma levels of selenium, vitamin B12, and vitamin D3. Informatics Med. Unlocked. 20, 100382(2020).
  46. Brownlee, J. A Gentle introduction to XGBoost for applied machine learning. , MachineLearningMastery.com (2021).
  47. Chen, M., Liu, Q., Chen, S., Liu, Y., Zhang, C., et al. XGBoost-based algorithm interpretation and application on post-fault transient stability status prediction of power system. IEEE Access. 7 (1), 13149-13158 (2019).
  48. Alabbad, D. A., Ajibi, S. Y., Alotaibi, R. B., Alsqer, N. K., Alqahtani, R. A., et al. Birthweight range prediction and classification: a machine learning-based sustainable approach. Mach. Learn. Knowl. Extr. 6 (2), 770-788 (2024).
  49. Ahmed, M. I. B., Zaghdoud, R. A., Al-Abdulqader, M., Kurdi, M., Altamimi, R., et al. Ensemble machine learning based identification of adult epilepsy. Math. Model. Eng. Probl. 10 (1), 84-92 (2023).
  50. Manconi, A., Armano, G., Gnocchi, M., Milanesi, L. A soft-voting ensemble classifier for detecting patients affected by COVID-19. Appl. Sci. 12 (1), 7554(2022).
  51. Gollapalli, M., et al. A novel stacking ensemble for detecting three types of diabetes mellitus using a Saudi Arabian dataset: pre-diabetes, T1DM, and T2DM. Comput. Biol. Med. 147, 105757(2022).
  52. Rahman, A., Abbas, S., Gollapalli, M., Ahmed, R., Aftab, S., et al. Rainfall prediction system using machine learning fusion for smart cities. Sensors. 22 (9), 3504(2022).
  53. Alotaibi, S. M., Atta-ur-Rahman,, Basheer, M. I., Khan, M. A. Ensemble machine learning based identification of pediatric epilepsy. Comput. Mat. Contin. 68 (1), 149-165 (2021).
  54. Adnan Khan, M., Abbas, S., Atta, A., Ditta, A., Alquhayz, H., et al. Intelligent cloud-based heart disease prediction system empowered with supervised machine learning. Comput. Mat. Contin. 65 (1), 139-151 (2020).
  55. Sharma, R., Mahanti, G. K., Panda, G., Rath, A., Dash, S., et al. Comparative performance analysis of binary variants of FOX optimization algorithm with half-quadratic ensemble ranking method for thyroid cancer detection. Sci. Rep. 13 (1), 19598(2023).
  56. Ahmed, M. S., Rahman, A., AlGhamdi, F., AlDakheel, S., Hakami, H., et al. Joint diagnosis of pneumonia, COVID-19, and tuberculosis from chest x-ray images: a deep learning approach. Diagn. 13 (15), 2562(2023).
  57. Dalal, S., Lilhore, U. K., Faujdar, N., et al. Enhancing thyroid disease prediction with improved XGBoost model and bias management techniques. Multimed Tools Appl. 84, 16757-16788 (2025).
  58. Rahman, A. Solar panel surface defect and dust detection: deep learning approach. J. Imaging. 11 (9), 287(2025).
  59. Sadek, S. H., Khalifa, W. A., Azoz, A. M. Pulmonary consequences of hypothyroidism. Ann. Thorac. Med. 12 (3), 204-208 (2017).
  60. Haghbin, M., Razmjooei, F., Abbasi, F., Rouhie, R., Pourabbas, P., et al. Evaluation of the hematological parameters, inflammatory biomarkers, and thyroid hormones in hypothyroidism patients. BMC Res. Notes. 17 (1), 390(2024).

访问受限。请登录或开始试用以查看此内容。

重印与许可

标签

SVM KNN
联系我们
向图书馆推荐

隐私

使用条款

政策

版权所有 © 2026 MyJoVE Corporation。保留所有权利。