הרשמה ל-JoVE נדרשת לצפייה בתוכן זה. התחברו או התחילו בגרסת ניסיון בחינם.

מאמר שיטה

אבחון מוקדם של תת-פעילות בלוטת התריס במחוז המזרחי של ערב הסעודית באמצעות טכניקות אינטליגנציה חישובית

180 צפיות

⸱

DOI:

10.3791/70065

⸱

22 במאי 2026

 ,  ,  ,  ,  ,  ,  ,  ,  ,  , 
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

במאמר זה

סיכום

מחקר זה בוחן ארבעה אלגוריתמים של למידת מכונה: K-neighbours (KNN), מכונת וקטור תמיכה (SVM), הגברת גרדיאנטים קיצונית (XGBoost), ומסווג אנסמבל הצבעה רכה באבחון פרואקטיבי של תת-פעילות בלוטת התריס. האלגוריתמים נבחרו לרשימה הסופית בהתבסס על סקירת ספרות ביקורתית ושימשו על מאגר נתונים שנאסף מקומית מערב הסעודית.

תקציר

תת-פעילות של בלוטת התריס היא אחת המצבים הרפואיים השכיחים ביותר אך לא מאובחנים מסוכן בערב הסעודית. היא נפוצה יותר בנשים מבוגרות ונשים בהריון וכן אצל חולי סוכרת ודום נשימה בשינה. תת-פעילות בלוטת התריס מאופיינת בכך שמערכת בלוטת התריס מייצרת הורמוני בלוטת תריס לא מספקים, מה שעלול לגרום למחלות כרוניות נוספות אם לא יטופל. מסיבה זו, מחקר זה מציע טכניקות למידת מכונה לאבחון מוקדם של המחלה באמצעות מאגר נתונים קליני פשוט מסעודיה. בהינתן גודל הנתונים, עבודה זו משמשת כהוכחת מושג. אלגוריתמים כמו KNN, SVM, הגברת גרדיאנט ומסווג קבוצות הצבעה רכה נבחרו בשל ביצועיהם המבטיחים באבחון יזום של תת-פעילות בלוטת התריס ומחלות נלוות בהשוואה לאלגוריתמים אחרים בספרות. המודל הביצועי הטוב ביותר היה מסווג קבוצות ההצבעה הרכה, שהשיג דיוק של 94.7%. SVM, KNN ו-XGBoost השיגו דיוק של 94%, 93.42% ו-92.1% בהתאמה. תוצאות אלו הושגו באמצעות אימות צולב של 10 פעמים ובחירת תכונות רציפה קדימה.

מבוא

תפקוד לקוי של בלוטת התריס (TD) הוא אחת מהמחלות האנדוקריניות הכרוניות הנפוצות ביותר, עם שכיחות משתנה בין אוכלוסיות1. שתי ההפרעות הנפוצות ביותר בבלוטות התריס הן תת-פעילות של בלוטת התריס והיפרתירואידיזם. תת-פעילות של בלוטת תריס היא מצב נפוץ הנובע מייצור לא מספק של הורמוני בלוטת התריס. למרות שבדרך כלל ניתן לניהול באמצעות טיפול, במקרים חמורים זה עלול להיות קטלני אם לא מטופל. התסמינים הנפוצים ביותר של תת-פעילות בלוטת התריס במבוגרים כוללים עייפות, עצירות, עייפות, עלייה במשקל, עור יבש ושינויים בקול. עם זאת, ההופעות הקליניות עשויות להשתנות לפי גיל, מגדר וגורמים נוספים3. מדווח כי המחלה פוגעת ב-5% מהאוכלוסייה הכללית, ועוד 5% נותרו ללא אובחנות, בעוד ש-99% מהחולים סובלים מתת-פעילות ראשונית של בלוטת התריס. הוא נפוץ במדינות המפרץ הערבי, אם כי לעיתים קרובות הוא עדיין לא מאובחן מספיק.4. תת-פעילות מולדת של בלוטת הבר משפיעה על בערך אחד מכל 3,450 תינוקות בערב הסעודית. מחקרים חתך אחרים שהתמקדו אך ורק בנשים דיווחו על שיעורי שכיחות גבוהים יותר שנעו בין 13% ל-35%5. יתרה מזאת, מוכיח שנקבות רגישות יותר מגברים6. תת-פעילות בלוטת התריס, אם לא מטופלת, עלולה להוביל לדיסלפידמיה, פגיעה קוגניטיבית, יתר לחץ דם, עקרות ותפקוד נוירומוסקולרילקוי 7. כתוצאה מכך, מחקר זה שואף להשתמש בשיטות למידת מכונה לאבחון יזום של תת-פעילות בלוטת התריס באמצעות מאגר נתונים מבית החולים המלך פאהד (KFUH) בדמאם, ערב הסעודית.

תת-פעילות בלוטת התריס יכולה להיות קשה לאבחון מכיוון שהתסמינים לעיתים קרובות מתבלבלים עם תסמינים של מחלות אחרות.8. יתרה מזאת, אבחנה מאוחרת של תת-פעילות של בלוטת התריס עלולה להשפיע לרעה על היכולות האינטלקטואליותשל המטופל. בדיקת הורמון מגרה בלוטת התריס (TSH) היא השיטה האבחנתית הנפוצה ביותר לזיהוי תת-פעילות בלוטת התריס9. עם זאת, הגעת גישות, אסטרטגיות וכלים של בינה מלאכותית ולמידת מכונה סייעה לפתור בעיות אבחוניות ותחזיתיות בתחומים רפואיים שונים. למידת מכונה משמשת להערכת חשיבות הגורמים הקליניים ושילוביהם לפרוגנוזה, כגון חיזוי התקדמות המחלה, הפקת ידע רפואי למחקר תוצאות, תכנון ותמיכה טיפולית,וטיפול כללי בחולים. עם כמויות גדולות של נתונים רפואיים זמינים, לרופאים יש כיום משאב יקר ערך לגילוי ידע חדש ופוטנציאלי בעל ערך באמצעות למידת מכונה11,12.

באמצעות מאגר נתונים קליני פשוט ממאגר הנתונים הסעודי, מחקר זה שואף לסייע לעובדי בריאות במדינה לאבחן תת-פעילות בלוטת התריס מוקדם וליישם מערכת חיזוי זו בבתי חולים עם משאבי מחשב וציוד מוגבלים. בנוסף, מחקרים קודמים בתחום זה לא השתמשו במאגר הנתונים הסעודי. זה יוצר הזדמנות לשלב את מערך הנתונים הסעודי לצד מחקרים קודמים. המחקרים השתמשו במאגר נתונים סעודי לחיזוי מחלות כליה, סוכרת, מחלת בלוטת התריס ואלצהיימר, בהתאמה, והשיגו דיוק גבוה 13,14,15. הניסיון הזה מניע יישום שיטות אלו על מחלות נוספות בערב הסעודית. המחקרים הם בין העבודות העדכניות ביותר בלמידת מכונה ובינה מלאכותית בתחום הרפואה 16,17,18,19.

המחקר המוצע דן ביישום טכניקות למידת מכונה על מאגר נתונים קליני פשוט של תת-פעילות בלוטת תריס, כדי לחזות את נוכחות המחלה לפני שהיא הופכת לסימפטומטית במלואה. המטרה היא לפתח מערכת מבוססת למידת מכונה שמספקת התרעות מוקדמות על התרחשות אפשרית של תת-פעילות בלוטת התריס. זה גם יקל על בתי חולים מקומיים עם ציוד מוגבל להשתמש במערכת האבחון הזו. מחקר זה הוא הראשון שבוחן מחלה זו באמצעות מאגר הנתונים הסעודי, תוך התמקדות בשלב טרום-סימפטומטי. מאגר הנתונים מכסה אוכלוסיית מטופלים רחבה של מטופלים בבתי חולים סעודיים מקומיים, עם טווח גילאים רחב, שילוב של מקרים חיוביים ושליליים של יתר פעילות בלוטת התריס.

מחקר זה השתמש בארבעה אלגוריתמים של למידת מכונה: מכונת וקטור תמיכה (SVM), K-neighbours nearest (KNN), הגברת גרדיאנט eXtreme (XGBoost), ומסווג אנסמבל הצבעה רכה המורכב מ-SVM ו-KNN. כל אחד מארבעת האלגוריתמים הוכיח את יכולותיו בתחום הרפואה. אלגוריתם KNN נבחר בשל פשטותו ושל השגת דיוק בדיקות של 77.5% באבחון מונע של סוכרת (DM)20. במקביל, SVM נבחר בשל עמידותו21, והוא שימש לאחרונה לחיזוי סיכון לתמותה בקרב חוליCOVID-19 22. יתרה מזאת, XGBoost נבחר בזכות ביצועיו החזקים23, שהשיג ציון חיזוי מדויק של 94% לתוצאות יתר לחץ דם, ושימש ערימה לשיפור התוצאות מהאלגוריתמים המובילים.  בנוסף, נעשה שימוש במסווג קבוצות הצבעה לזיהוי הפרעות בלוטת התריס בדיוק של 100%.

המטרה העיקרית של המחקר הנוכחי היא אבחון מוקדם של תת-פעילות בלוטת התריס באוכלוסייה סעודית באמצעות נתונים קליניים שגרתיים מקוריים ואלגוריתמים מתקדמים של למידת מכונה. ארבע הטכניקות ששימשו במחקר זה יושמו על פלטפורמת Jupyter באמצעות שפת התכנות פייתון, תוך שימוש במאגר הנתונים של תת-פעילות בלוטת התריס. אימות צולב של 10 פעמים עם כוונון היפרמטר שימש לשיפור הביצועים. לאחר מכן יושמה בחירת תכונות סדרתיות עם טכניקת בחירה קדימה, שהביאה לכך שמסווג קבוצת ההצבעה הגיע לדיוק הגבוה ביותר של 94.7%. SVM, KNN ו-XGBoost, בהתאמה, עקבו אחריו. לגבי הקריאה, מסווג קבוצת ההצבעה הרכה השיג את הציון הגבוה ביותר של 95.5%. בסך הכל, המודל האופטימלי לאבחון תת-פעילות מונעת של בלוטת התריס היה מסווג קבוצת ההצבעה הרכה, שהשיג את הציון הגבוה ביותר בכל מדדי הביצועים שנבדקו במחקר זה.

נערכו מספר מחקרים על אבחון הפרעות כלליות של בלוטת התריס ועל יישום טכנולוגיה, במיוחד למידת מכונה, כפתרון בעזרת מחשב. LSTM-CNN, AlexNet, מודלי הלמידה העמוקה המתוקנים של GoogLeNet, IndRNN–CNN ומודלים מותאמים של ResNet הופעלו באמצעות ספקטרוסקופיית רמאן להבחנה בין דגימות סרום מ-32 חולי תת-פעילות בלוטת התריס, 38 חולי יתר פעילות בלוטת התריס ו-29 נבדקים מביקורת. המודל שלהם השיג דיוק של 84%, 91%, 75%, 82% ו-71%, בהתאמה25%.

אלגוריתמים של למידת מכונה כמו SVM, KNN, רגרסיה לוגיסטית ויער אקראי שימשו לחיזוי שכיחות תת-פעילות בלוטת התריס הנגרמת מקרינה בקרב חולי קרצינומה נאזופרינגיאלית26. המודל שלהם השיג ערך AUC של 0.7. יתרה מזאת, המחברים השתמשו באלגוריתמים שונים של למידת מכונה כדי לחזות את מגמת הטיפול במטופלים עם תת-פעילות בלוטת התריס העוברים טיפול ב-LT4. מבין 10 מסווגים, מסווג העץ החיצוני השיג את הדיוק הגבוה ביותר של 84%.

במחקר נוסף, המחברים יצרו ובדקו אסטרטגיית למידת מכונה לזיהוי אנשים עם היפרתירואידיזם ותת-פעילות של בלוטת התריס שיכולים להרוויחמטיפול רפואי מיידי. הם הטמיעו עץ החלטות להגברת גרדיאנט (GBDT), SVM, ANN ואלגוריתמים רגרסיה לוגיסטית. המודלים שלהם השיגו AUROC של 93.8% ו-90.9% עבור יתר פעילות של בלוטת התריס ותת-פעילות של בלוטת התריס, בהתאמה. במחקר נוסף, המחברים השתמשו בלמידת מכונה כדי לאתר הפרעות בבלוטת התריס, הכוללות תת-פעילות של בלוטת התריס והיפרתירואידיזם. המודלים שלהם כללו SVM, ANN, KNN, רגרסיה לוגיסטית ועץ החלטה, עם הדיוק הגבוה ביותר של 96.92% שהושג על ידי רגרסיהלוגיסטית 28. לאחרונה, קבוצת חוקרים יישמה שיטות שונות, כולל SVM, עץ החלטות, Naïve Bayes ו-ensemble, כדי לחזות ולזהות תת-פעילות של בלוטת תריס. עץ ההחלטה השיג את הדיוק הגבוה ביותר, עם 97.6%29. מחקר נוסף השתמש באלגוריתם Naïve Bayes המבוסס על גרעין אבולוציה דיפרנציאלית היברידית כדי להפחית את תכונות מאגר הנתונים של היפרתירואידיזם ותת-פעילות בלוטת התריס מ-21 ל-10. בהמשך הם יישמו את מסווג Naïve Bayes המבוסס על הליבה על תת-התכונות, והשיגו דיוק של 97.97%ב-30. באופן דומה, במחקר נוסף, המחברים השתמשו במספר אלגוריתמים של למידת מכונה כדי לחזות את הסיכון למחלת בלוטת התריס במאגר הנתונים החולה של אוניברסיטת קליפורניה. הניסוי שלהם הראה כי ANN עולה על כל שאר השיטות, והשיג דיוק של 95%31. יתרה מזאת, ג'ה ועמיתיו השתמשו בטכניקות הגדלת תכונות מוצעות המבוססות על רשתות עצביות עמוקות לחיזוי מחלות בלוטת התריס, והשיגו דיוק יוצא דופן של 99.95%32.

לפי ספרות קודמת, נעשה שימוש באנסמבל הצבעה הומוגני עם בחירת תכונות מרובות לזיהוי מחלות בלוטת התריס, תוך שימוש באלגוריתמים הבאים: יער אקראי, הגברת גרדיאנט, עץ החלטות ורגרסיה לוגיסטית, והשגת דיוק של 100%24. יתרה מזאת, המחברים יישמו את מודל מכונת הלמידה הקיצונית על מאגר הנתונים הפתוח של תת-פעילות בלוטת התריס ב-Kaggle, והשיגו דיוק של 92%. מאגר הנתונים כלל 3772 דגימות: 3481 תת-פעילות בלוטת התריס והיתר שלילי33. לאחרונה, במחקר, המחברים השתמשו ב-CART בשקיות כדי לסיווג תת-פעילות בלוטת התריס. המודל שהוצע השיג דיוק מרשים של 99.9%. בנוסף, T4U, TSH ו-TBG זוהו כגורמים המשמעותיים ביותר הקשורים לתת-פעילות של בלוטת התריס34. במחקר נוסף, המחברים הציעו והשוו מודלים שונים של למידת מכונה ולמידה עמוקה, בהם עץ ההחלטה והיער האקראי השיגו דיוק של 99.5% ו-99.3%, בהתאמה. הם השתמשו במאגר נתונים של Weka שכלל 30 מאפיינים ו-3772 מדגמיםו-35.

סקירת הספרות הקצרה הזו מראה שבעוד שרוב השיטות שימשו השיגו תוצאות טובות עד מצוינות, אף אחת מהן לא השתמשה במאגר נתונים קליני פשוט מערב הסעודית. כמו כן צוין כי רוב הפרסומים הנבדקים השתמשו במאגרי נתונים של דימות, מה שהעלה את רמת העבודה הנדרשת לאיסוף נתונים והגביר את הקושי ליישם מודלים מורכבים מאוד שנוצרו על ידי אנשים שאינם טכניים. יתרה מזאת, רוב המחקרים הללו נעשו על הפרעות כלליות בבלוטת התריס, כאשר מעט מאוד פרסומים הדגישו תת-פעילות של בלוטת התריס. מצב זה מספק הזדמנות לחקור מודלים בסיסיים של למידת מכונה על בסיס מאגר נתונים קליני פשוט מתוך מאגר הנתונים הסעודי, כדי לסייע לבתי חולים מקומיים עם ציוד ממוחשב מוגבל לאבחן את המחלה באופן מונע מראש.

ההקדמה הקצרה לאלגוריתמים שנחקרו במחקר הנוכחי ניתנת בקובץ משלים 1. ארבעת האלגוריתמים הם K-Nearest Neighbor (KNN)36,37,38,39,40, מכונת וקטור תמיכה (SVM)41,42,43,44,45, הגברת גרדיאנט קיצוני (XGBoost)46,47,48, ואנסמבל הצבעה 49,50.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

פרוטוקול

1. מתודולוגיה

הערה: כפי שמתואר בטבלת החומרים, הניסוי למחקר זה נערך ב-Python on Jupyter Notebook, ששימש לפיתוח מודלים של למידת מכונה לאבחון מונע של תת-פעילות בלוטת התריס. Microsoft Excel וספריית Python Scikit-Learn שימשו בשלב העיבוד המוקדם. K-neighbor nearest (KNN), מכונת וקטור תמיכה (SVM), הגברת גרדיאנט קיצוני (XGBoost) ומסווג אנסמבל הצבעה רכה המורכב מ-KNN ו-SVM שימשו לאימון מערך הנתונים, עם GridSearchCV ואימות צולב של 10 פעמים לקבלת היפרפרמטרים מיטביים. בנוסף, חשיבות התכונה של כל מסווג הוערכה באמצעות חשיבות פרמוטציה.

  1. השתמש בבחירת תכונות סדרתית באמצעות טכניקת ההעברה של ספריית mxl-tend.
  2. החלו את בורר התכונות הסדרתי על כל המודלים באמצעות אימות צולב של 10 פעמים כדי לבחור את תת-התכונה הטובה ביותר.
  3. הערך את הדיוק הממוצע, הזיכרון, הדיוק, ציון F1 ואובדן הלוגריתם של כל המודלים שנוצרו באמצעות אימות צולב של 10 פעמים כדי לזהות את המודל הטוב ביותר.
  4. בנוסף, ליצור מטריצות בלבול ושטחים מתחת לעקומות מאפיין הפעולה של המקלט (AUROC) עבור כל מודל באמצעות היפרפרמטרים אופטימליים ותת-קבוצה של התכונות הטובות ביותר.
  5. אימות תוצאות האבחון על ידי צוות של שלושה מומחים באוטולרנולוגיה, רפואה כללית ורדיולוגיה. איור 1 מפרט את המסגרת לממצאי הניסוי.

figure-protocol-1
איור 1: מסגרת ניסויית. זהו המסגרת הניסיונית של המחקר. אנא לחצו כאן כדי לצפות בגרסה מוגדלת של הדמות הזו.

הערה: מאגר הנתונים הסעודי לתת-פעילות בלוטת התריס התקבל מבית החולים המלך פאהד (KFSH) בדמאם, ערב הסעודית. זהו בית חולים ציבורי המסונף לאוניברסיטת אימאם עבדולרחמן בן פייסל (לשעבר אוניברסיטת דמאם). דמאם נמצאת במחוז המזרחי, ורוב החולים משתייכים לאותו אזור. באישור ועדת הביקורת המוסדית (IRB), מערך הנתונים נאסף במהלך פרוצדורות מיון וניסויים סטנדרטיים בבית החולים ונרשם כרשומות בריאות מטופלות (PHRs) במערכת ניהול בית החולים, שנרשמו בשנים 2020–2021. מערך הנתונים כולל בדיקות קליניות סטנדרטיות של 152 מטופלים (100 נשים ו-52 גברים), בגילאי 11–92, מתוכם 89 אובחנו בחיוב עם תת-פעילות בלוטת התריס. לעומת זאת, 63 הנותרים אובחנו כללא תת-פעילות בלוטת התריס אך עם מחלות אחרות, כגון אלצהיימר. במאגר הנתונים היו 483 תכונות, שהוקטנו ל-18 במהלך העיבוד המוקדם על ידי הסרת תכונות עם ערכים חסרים העולים על 30%. טבלה 1 מתארת את התכונות שבהן נעשה שימוש במחקר זה.

מאפייןתיאור 
גילגיל בשנים.
מיןזכר או אישה.
תאי דם לבנים (WBC)ספירת תאי דם לבנים.
טמפרטורהטמפרטורת הגוף במעלות צלזיוס (°C).
תאי דם אדומים (RBC)ספירת תאי דם אדומים.
טסיותספירת טסיות.
MPVנפח הטסיות הממוצע
פולס אוקסמדידת החמצן בדם (רוויית חמצן).
MCHהמוגלובין קורפוסקולרי ממוצע.
RDWרוחב התפלגות תאי הדם האדומים.
MCVנפח גופני ממוצע.
MCHCריכוז ההמוגלובין הממוצע בקורפוסקולר
פולסקצב לב.
המטוקריטנפח תאי הדם האדומים.
לחץ דם – סיסטולילחץ הדם הגבוה ביותר.
המוגלוביןרמת ההמוגלובין בדם.
BP – דיאסטוליהלחץ הנמוך ביותר.
קצב נשימהקצב נשימה לדקה.

טבלה 1: תיאור מערך נתונים. טבלה זו מציגה את מערך הנתונים של התיאור.

2. ניתוח סטטיסטי

הערה: ניתוח סטטיסטי של מאגר הנתונים מסייע להמחיש ולהבין את דפוס המאגר לעיבוד מוקדם ומודל נתונים טובים יותר. טבלה 2 מציגה את הניתוח הסטטיסטי של מאגר הנתונים של מחלת תת פעילות בלוטת התריס, תוך השוואה בין התוצאות בקבוצות שימור החומה וללא שיטת שימור.

  1. כדי לבדוק אם המאפיינים הדמוגרפיים אינם מאוזנים בין קבוצות חיוביות לשליליות, יש לבצע ניתוח סטטיסטי בתוכנת SPSS (גרסה: 26.0, IBM, ארה"ב).
  2. אסוף את הנתונים הכמותיים באמצעות מבחן t מדגם עצמאי אם ההתפלגות הנורמלית וההומוגניות של השונות היו קיימות, או במבחן Man-Whitney U.
  3. איסוף נתונים קטגוריים באמצעות מבחן חי-בריבוע או מבחן מדויק של פישר.
משתנהתת-פעילות בלוטת התריס (n = 89)לא-תת-פעילות בלוטת התריס (n = 63)ערך t / Uערך P
גיל43.00 (33.00, 54.00)76.00 (70.00, 80.50)5.388< 0.001
קצב נשימה20.00 (20.00, 20.00)20.00 (20.00, 21.50)2.5610.004
לחץ דם – סיסטולי117.72 ± 16.46127.85 ± 17.773.3020.001
BP – דיאסטולי73.00 (68.00, 79.00)72.95 (65.00, 80.25)2.0760.892
פולס79.09 ± 12.1982.35 ± 12.721.470.145
טמפרטורה36.60 (36.50, 36.80)36.70 (36.60, 36.90)2.5760.029
פולס אוקס99.00 (99.00, 100.00)99.00 (98.00, 99.00)1.0880.005
המטוקריט38.20 (35.88, 40.23)37.30 (31.30, 41.30)1.4710.318
תאי דם אדומים4.52 (4.26, 4.81)4.37 (3.81, 4.89)1.360.104
המוגלובין12.70 (11.70, 13.53)12.30 (10.00, 13.85)1.4810.345
RDW13.80 (13.38, 14.93)14.90 (13.80, 16.45)2.2120.002
MCV83.54 ± 6.8585.05 ± 8.531.0420.3
טסיות261.23 ± 63.97223.62 ± 68.88−2.9450.004
MCHC33.60 (32.80, 34.02)33.20 (32.30, 34.00)1.3140.06
MCH28.00 (26.55, 29.57)28.10 (26.55, 30.20)1.780.468
MPV8.81 ± 0.878.79 ± 1.38−0.0740.941
תאי דם לבנים6.10 (4.80, 7.43)7.20 (5.70, 8.90)2.0750.017

טבלה 2: ניתוח סטטיסטי של מאפיינים. טבלה זו מציגה את הניתוח הסטטיסטי של תכונות הן בקבוצות HT והן בקבוצות שאינן HT. קיצורים; HT = תת-פעילות בלוטת התריס.

הערה: בטבלה 2, קבוצות ה-HT והלא-HT שונות באופן משמעותי בגיל, קצב נשימה, לחץ דם סיסטולי, טמפרטורה, חמצן, RDW, טסיות דם ותאי דם לבנים. לכן, ניתן להשתמש בתכונות פיזיולוגיות להבדיל בין שתי הקבוצות.

3. קדם-עיבוד נתונים

  1. טוען את נתוני CSV הגולמיים. מערך הנתונים ששימש למחקר זה הוא בפורמט CSV. ראשית, קובץ ה-CSV יובא בפורמט הגולמי שלו. המאמר מובא להלן:
    clean_data = PD. DataFrame (נורמל, עמודות=['מין','גיל','דופק','לחץ דם - סיסטולי','לחץ דם - דיאסטולי','טמפרטורה','קצב נשימה','MCV','MCH','MCHC','המטוקריט','תאי דם לבנים','המוגלובין','תאי דם אדומים','RDW','טסיות', 'MPV','חמצן דופק','תיאור'])
  2. לבצע עיבוד נתונים מוקדם, כולל הסרת חריגים, טיפול בערכים חסרים ונירמול, כדי לשפר את ייצוג הנתונים ודיוק המודל.
  3. השתמש ב-Microsoft Excel לעיבוד ראשוני של מערך הנתונים, כולל הסרת חריגים. הסר את החריגים ב-'Pulse Ox', 'BP-סיסטולי', 'BP-דיאסטולי' ו-'קצב נשימה' עם תרשים פיזור והחלף באמצעים שלהם.
  4. טיפול בערכים חסרים
    ייבא את מערך הנתונים שייבא לפייתון ועבד מראש באמצעות ספריות NumPy, Pandas ו-Scikit-learn. השתמשו באימפוטר KNN מספריית sklearn כדי לטפל בערכים חסרים.
    הערה: נעשה שימוש במטריקה האוקלידית ובערך השכן הקרוב ביותר של 5. המאמר מובא להלן:
    אימפוטר = KNNImputer(n_neighbors=5)
    data = imputer.fit_transform(clean_data)
    סקילר = MinMaxScaler()
    scaler.fit(data)
  5. קודד את המחרוזות לבינארי.
    הערה: הערך השלם אחד ייצג 'חיובי' ו'נקבה' ב'תיאור' ו'מגדר', בהתאמה, בעוד שאפס ייצג 'שלילי' ו'זכר' ב'תיאור' ו'מגדר', בהתאמה. מערך הנתונים הוגדל לאחר מכן באמצעות MinMaxScaler מספריית sklearn, תוך מיפוי ערכים לטווח 0–1. המאמר מובא להלן:
    נורמל = scaler.transform(data)

4. בניית מודלים והערכה

הערה: פיצול נתונים לצורך אימות צולב: לאחר ניסויים שונים עם קפלים שונים, נמצא כי אימות צולב של 10 קפיצים היה אופטימלי ושימש לאחר מכן.

  1. אימן כל מודל עם היפרפרמטרים מוגדרים.
  2. ביצוע בחירת תכונות והכשרה מחדש של מודלים על תכונות נבחרות.
    הערה: במחקר המוצע נעשה שימוש בטכניקת בחירת תכונה רציפה קדימה. המודלים אופטימליים לאחר מכן למערך התכונות הטוב ביותר. לשלבים 4.1–4.2, הוקם מקטע הקוד הבא:
    מ-sklearn.model_selection train_test_split ייבוא, GridSearchCV, StratifiedKFold
    kf = StratifiedKFold(n_splits=10,shuffle=נכון, random_state=1)
    ה-gridearch השתמש ב-k fold שכבתי עם 10 פיצולים והדיוק היה מדד הניקוד. הקוד למטה מסביר כיצד זה בוצע עם דוגמה באמצעות SVM.
    פרמטרים = {
    'גרעין': ['ליניארי', 'פולי', 'RBF', 'סיגמואיד'],
    'C': [1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 100],
    'גמא': [1, 0.1, 0.01, 0.001, 0.0001]
    }svm = SVC(random_state = 1)
    svm_GS = GridSearchCV(svm,
    פרמטרים,
    cv=kf,
    ניקוד='דיוק'
    )
    svm_GS.fit(X, y)
    fig = plot_cv_results(svm_GS.cv_results_, 'C', 'kernel')
    sfs1 = SFS(אומדת = svm,
    k_features=(1, 18),
    קדימה=נכון,
    צף=שקרי,
    ניקוד = 'דיוק',
    cv=kf)
  3. הערך מדדי ביצועים ובחר את המודל הסופי.
    הערה: מדד ביצועים: מחקר זה השתמש במדדי הביצועים הנפוצים ביותר בסיווג, כלומר: דיוק, דיוק, שחזור, ציון F1 ואובדן לוגריתם. מדדי הביצועים הללו מתוארים בקצרה להלן, יחד עם הנוסחאות שלהם.
    דיוק (PR): מספר התצפיות החיוביות האמיתיות השייכות לסך התצפיות החיוביות הצפויות. היא ניתנת על ידי הנוסחה:
    figure-protocol-2(1)
    קריאה (RE): מייצגת את מספר המקרים החיוביים בפועל שצפויים להיות חיוביים. היא ניתנת על ידי הנוסחה:
    figure-protocol-3(2)
    דיוק (AC): זהו אחוז התחזיות הנכונות שהמודל עשה. הוא ניתן על ידי:
    figure-protocol-4(3)
    כאשר:
    חיובי אמיתי (TP): מספר מקרים של תת-פעילות בלוטת התריס שסווגו נכון.
    חיובי שגוי (FP): מספר מקרים של תת-פעילות בלוטת התריס שסווגו לא נכון.
    שלילי אמיתי (TN): מספר מקרים שאינם תת-פעילות בלוטת התריס שסווגו נכון.
    שלילי שגוי (FN): מספר מקרים שאינם תת-פעילות בלוטת התריס שסווגו בטעות.
    F1–Score: זהו הממוצע המשוקלל של הקריאה והדיוק. הוא ניתן על ידי
    figure-protocol-5(4)
    לוגר אובדן: זהו עד כמה ההסתברות החזויה תואמת לערך האמיתי בפועל. זה
    ניתנת על ידי הנוסחה:
    figure-protocol-6(5)
    כאשר N ו-M מציינים את מספר הדגימות והתכונות בהתאמה, Yij מציין האם הדגימה iשייכת למחלקת ה-jאו לא, Pij מציין את ההסתברות שהמדגם iהשייך למחלקת ה-j. מחקר זה גם שרטט את מאפיין הפעולה של המקבל (ROC), שימושי לחיזוי ההסתברות לתוצאה בינארית. הדבר נעשה כדי לסייע בהמחשת ביצועי המודלים בהגדרות סף שונות. ה-ROC מראה עד כמה מודל טוב בהבחנה בין מחלקות.
  4. אסטרטגיית אופטימיזציה
    הערה: אי אפשר להדגיש יתר על המידה אופטימיזציה של היפרפרמטרים בהשגת התוצאות הטובות ביותר בכל מחקר למידת מכונה. מחקר זה השתמש ב-GridSearchCV עם אימות צולב מדורג של 10 פעמים כדי לקבוע את ההיפרפרמטרים האופטימליים לכל מודל. GridSearchCV הוא כלי לכוונון מדויק של פרמטרי המודל. הוא פועל על ידי לולאה דרך כל הפרמטרים ברשת הפרמטרים ובחירת השילובים הטובים ביותר. כוונון היפרפרמטרים הוא קריטי לזיהוי הדיוק הגבוה ביותר בכל מודל. ההיפרפרמטרים של כל מודל, כולל הטווח, הערך הטוב ביותר והדיוק שהם הפיקו, מוצגים בטבלה 3.
אלגוריתםשם היפר-פרמטרטווח היפר-פרמטריםהערך הטוב ביותרדיוק באמצעות הערך הטוב ביותר
K-NNמטריקה'מינקובסקי', 'מנהטן', 'אוקלידי'מינקובסקי84.21%
N_neighbors3, 5, 7, 9, 11, 135
SVMקרנל'ליניארי', 'פולי', 'RBF', 'סיגמואיד'ליניארי92.76%
עלות (C)1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 1009
גמא1, 0.1, 0.01, 0.001, 0.00011
XGBoostN_estimators5,01,00,15,02,00,25020089.47%

טבלה 3: היפרפרמטר אופטימלי. זה מראה את ההיפרפרמטר האופטימלי של כל מודל.

איורים 2–4 מציגים את גישת חיפוש הרשת לחיפוש היפרפרמטרים עבור טכניקות KNN, SVM ו-XGBoost וכיצד יושמו באמצעות כל התכונות.

figure-protocol-7
איור 2: ביצועי KNN. זהו הביצועים של KNN במדדים שונים וספירות שכנים שונים. קיצורים; KNN = K השכן הקרוב ביותר. אנא לחצו כאן כדי לצפות בגרסה מוגדלת של הדמות הזו.

figure-protocol-8
איור 3: ביצועי SVM. זהו ביצועי SVM עם ערכי ליבה ופונקציית עלות. אנא לחצו כאן לצפייה בגרסה גדולה יותר של איור זה.

figure-protocol-9
איור 4: ביצועי XGBoost. זהו ביצועי XGBoost עם ערכי Booster ו-N_estimator שונים. קיצורים; XGBoost = הגברת גרדיאנט קיצונית. אנא לחצו כאן כדי לצפות בגרסה מוגדלת של הדמות הזו.

  1. צור מסווג הצבעה רכה כדי לשפר עוד יותר את ביצועי המודל על ידי שילוב הפרמטרים הטובים ביותר שהתקבלו ממסווגי KNN ו-SVM. הוא כולל מסווג KNN אחד ושני מסווגי SVM.
  2. החלף אחד מהגרעינים של ה-SVM ב-'rbf', הגרעין השני בטיבו אחרי 'ליניארי'.
  3. הערה: המסווגים וההיפרפרמטרים המתאימים שלהם נבחרו משום שהניבו את הביצועים הטובים ביותר לאחר ניסיונות ניסוי וטעייה רבים על כל המסווגים וההיפרפרמטרים שלהם. בנוסף, בהתבסס על היסטוריה ארוכה של התמודדות עם בעיות אבחון מונע למחלות שונות באמצעות מערכי נתונים קליניים שנאספו בדומה לאלוב-14,15, שילוב זה מראה דיוק אבחוני מבטיח, כפי שהודגם בחלקים הניסיוניים. טבלה 4 מציגה את המסווגים ששימשו להצבעה רכה, את ההיפרפרמטרים שלהם, ואת הדיוק שהופק.
אלגוריתםמסווגיםהיפרפרמטריםדיוק
מסווג הצבעה רכהK-NNמטריקהמינקובסקי
N_neighbors5
SVM1קרנלליניארי
עלות (C)988.81%
גמא1
SVM2קרנלRBF
עלות (C)9
גמא1

טבלה 4: היפרפרמטרים של מסווג ההצבעה. זה מציג את שילוב מסווגי ההצבעה והפרפרמטרים.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

תוצאות

ביצועי הדגמים
הביצועים של ארבעת המודלים שנוצרו במחקר זה הושוו ונותחו מבחינת דיוקם, זיכרונם ובדיקותם. אלגוריתם GridsearchCV שימש לזיהוי ההיפרמטר הטוב ביותר לכל מודל באמצעות כל התכונות. ביצועי כל מודל הוערכו באמצעות אימות צולב של 10 פעמים בשכבות שונות. טבלה 5 מציגה את תוצאות ביצועי כל מודל.

מסווגדיוק...

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

דיון

במחקר זה נחקרים אלגוריתמים של למידת מכונה על מאגר נתונים קליני סעודי לפיתוח מודל אבחון מונע לתת-פעילות בלוטת התריס. נוצרו ארבעה דגמים: KNN, SVM, XGBoost ו-Soft Voting Ensemble Classifier. כל ארבעת המודלים זיהו גיל וקצב נשימה כאינדיקטורים משמעותיים באבחון מונע של המחלה. מבין ארבעת המודלים, מסווג ההצבעה הראה ביצועים מעולים בכל המדדים ששימשו במחקר זה. באמצעות חמש תכונות בלבד, השיגה דיוק של 94.73%, יחד עם ערכי זיכרון, דיוק וציון F1 של 95.50%, בהתאמה. אחריו SVM, עם דיוק נמוך ב-0.66% עם שישה ת...

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

גילויים

מאגר הנתונים התקבל מבית החולים לפי IRB-2020-09-429. למחברים אין ניגודי עניינים לדווח בנוגע למחקר הנוכחי.

תודות

המחברים מבקשים להודות לתמיכת אנשי מקצוע בתחום הבריאות באישור ממצאי המחקר.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

חומרים

רשימת החומרים שנעשה בהם שימוש במאמר זה
שםחברהמספר קטלוגהערות
מחשב נייד/מכונהדלXPS9320זיכרון RAM 16GB, דור 12 של Intel(R) Core(TM) i7-1260P
אקסל 365מיקרוסופטאקסל 365משמש לאחסון נתונים גולמיים בפורמט csv
פייתון 3.12.12Google colab Notebook פייתון 3.12.12משמש להדרכת בניית דגמים 
Numpy 2.0.2Google colab Notebook Numpy 2.0.2משמש להדרכת בניית דגמים 
פנדות 2.2.2Google colab Notebook פנדות 2.2.2משמש להדרכת בניית דגמים 
Sklearn 1.6.1Google colab Notebook Sklearn 1.6.1משמש להדרכת בניית דגמים 
Mlxtend 0.23.4Google colab Notebook Mlxtend 0.23.4משמש להדרכת בניית דגמים 
XGbbost 3.1.2Google colab Notebook XGbbost 3.1.2משמש להדרכת בניית דגמים 
SPSS IBM, ארה"בSklearn 1.6.1משמש לניתוח סטטיסטי

מקורות

  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).

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

הדפסות חוזרות והרשאות

תגיות

SVMKNNGradient Boosting
צור קשר
המלצה לספרייה

פרטיות

תנאי שימוש

מדיניות

2026 © זכויות יוצרים MyJoVE Corporation. כל הזכויות שמורות.