Bu içeriği görüntülemek için JoVE aboneliğiniz gereklidir. Giriş yapın veya ücretsiz denemenizi bugün başlatın.

Yöntem makalesi

Hesaplamalı Zeka Teknikleri Kullanılarak Suudi Arabistan'ın Doğu Eyaletinde Hipotiroidizmin Erken Teşhisi

180 görüntüleme

⸱

DOI:

10.3791/70065

⸱

22 Mayıs 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

Bu makalede

Özet

Bu çalışma, hipotiroidizmin proaktif tanısında dört makine öğrenimi algoritmasını incelemektedir: K-en yakın komşular (KNN), destek vektör makinesi (SVM), aşırı gradyan artırma (XGBoost) ve yumuşak oy topluluğu sınıflandırıcısı. Algoritmalar, eleştirel bir literatür incelemesine dayanarak kısa listeye alındı ve Suudi Arabistan'dan yerel olarak toplanmış bir veri seti üzerinde kullanıldı.

Özet

Hipotiroidizm, Suudi Arabistan'da en yaygın ancak yeterince teşhis edilmeyen tıbbi durumlardan biridir. Yaşlı ve hamile kadınlarda ile diyabet ve uyku apnesi olan hastalarda daha yaygındır. Hipotiroidizm, tiroid bezinin yetersiz tiroid hormonları üretmesiyle karakterize edilir; bu hormonlar tedavi edilmezse diğer kronik hastalıklara yol açabilir. Bu nedenle, bu çalışma Suudi Arabistan'dan doğrudan bir klinik veri seti kullanarak bu hastalığı önceden teşhis etmek için makine öğrenimi teknikleri önermektedir. Veri büyüklüğü göz önüne alındığında, bu çalışma kavramın kanıtı olarak hizmet ediyor. KNN, SVM, gradyen güçlendirme ve yumuşak oy toplama sınıflandırıcı gibi algoritmalar, hipotiroidizm ve ilişkili hastalıkların proaktif teşhisinde literatürdeki diğer algoritmalara kıyasla umut vadeden performansları nedeniyle seçilmiştir. En iyi performans gösteren model, %94,7 doğruluk elde eden yumuşak oy topluluğu sınıflandırıcısıydı. SVM, KNN ve XGBoost sırasıyla %94, %93,42 ve %92,1 doğruluk elde etti. Bu sonuçlar, 10 kat çapraz doğrulama ve ileri ardışık özellik seçimi kullanılarak elde edilmiştir.

Giriş

Tiroid disfonksiyonu (TD), en yaygın kronik endokrin hastalıklardan biridir ve popülasyonlar arasında değişen yaygınlığasahiptir 1. En yaygın iki tiroid bezi bozukluğu hipotiroidi ve hipertiroididir. Hipotiroidizm, yetersiz tiroid hormonu üretiminden kaynaklanan yaygın bir durumdur. Genellikle tedaviyle yönetilebilir olsa da, ağır durumlarda tedavi edilmezse ölümcül olabilir. Yetişkinlerde hipotiroidizmin en yaygın belirtileri yorgunluk, kabızlık, halsizlik, kilo alışı, kuru cilt ve ses değişiklikleridir. Ancak, klinik görünümler yaşa, cinsiyete ve diğer faktörlere göredeğişebilir 3. Hastalığın genel nüfusun %5'ini etkilediği, %5'inin ise teşhis edilmediği bildirilirken, bu hastaların %99'u primer hipotiroidizmden muzdarip kalır. Arap Körfezi Devletleri'nde yaygındır, ancak genellikle yeterince teşhis edilmemiştir4. Doğuştan hipotiroidizm, Suudi Arabistan'da yaklaşık her 3.450 bebekten birini etkiler. Sadece kadınlara odaklanan diğer kesitsel çalışmalar ise %13 ile %35 arasında değişen daha yüksek yaygınlık oranlarını bildirdi. Ayrıca, dişilerin erkeklere göre daha hassas olduğunukanıtlamak 6. Hipotiroidi tedavi edilmezse dislipidemi, bilişsel bozukluk, hipertansiyon, kısırlık ve nöromüsküler işlevsizliklere yol açabilir7. Sonuç olarak, bu çalışma, Suudi Arabistan'ın Dammam kentindeki King Fahad Uzman Hastanesi'nden (KFUH) alınan bir veri seti kullanılarak hipotiroidizmi proaktif olarak teşhis etmek için makine öğrenimi yöntemleri kullanmayı amaçlamaktadır.

Hipotiroidizmi teşhis etmek zor olabilir çünkü belirtiler genellikle diğer hastalıkların belirtileriylekarıştırılır 8. Ayrıca, hipotiroidi teşhisinin geç kalması, hastanın entelektüel yeteneklerini olumsuz etkileyebilir9. Tiroid uyarıcı hormon (TSH) testi, hipotiroidi tespit etmek için en çok kullanılan tanıyöntemidir 9. Ancak, yapay zeka ve makine öğrenimi yaklaşımları, stratejileri ve araçlarının gelişi, çeşitli tıbbi alanlarda tanı ve prognostik sorunların çözümüne yardımcı olmuştur. ML, hastalık ilerlemesini tahmin etmek, sonuç araştırması için tıbbi bilgi çıkarmak, terapötik planlama ve destek ile genel hasta bakımı gibi klinik faktörlerin ve kombinasyonlarının prognoz için önemini değerlendirmekiçin kullanılır. Büyük miktarda tıbbi veri mevcut olduğundan, tıp uygulayıcıları artık makine öğrenimi yoluyla yeni ve potansiyel olarak değerli bilgiler keşfetmek için değerli bir kaynağasahip 11,12.

Suudi veri setinden basit bir klinik veri seti kullanılarak, bu çalışma ülkedeki sağlık çalışanlarına hipotiroidizmi erken teşhis etmelerine yardımcı olmayı ve sınırlı bilgisayar kaynakları ve ekipmanı olan hastanelerde bu öngörü sistemini uygulamayı amaçlamaktadır. Ayrıca, bu alandaki önceki çalışmalar Suudi veri setini kullanmamıştır. Bu, Suudi veri setini önceki araştırmalarla birleştirme fırsatı sunar. Çalışmalar, sırasıyla böbrek hastalığı, diyabet, tiroid hastalığı ve Alzheimer hastalığını tahmin etmek için Suudi veri seti kullandı ve yüksek doğruluk 13,14,15 elde edildi. Bu deneyim, bu yöntemlerin Suudi Arabistan'daki diğer hastalıklara uygulanmasına ilham vermektedir. Çalışmalar, tıp alanında makine öğrenimi ve yapay zeka alanındaki en yeni çalışmalararasında yer alıyor 16,17,18,19.

Önerilen çalışma, hastalık tam semptomatik olmadan önce varlığını tahmin etmek amacıyla basit bir klinik Suudi veri setinde makine öğrenimi tekniklerinin uygulanmasını tartışıyor. Amaç, hipotiroidizmin olası bir ortaya çıkmasına erken uyarılar veren makine öğrenimi tabanlı bir sistem geliştirmektir. Ayrıca, sınırlı ekipmana sahip yerel hastanelerin bu tanı sistemini kullanmasını da kolaylaştıracak. Bu çalışma, bu hastalığı Suudi veri seti kullanılarak inceleyen ilk çalışmadır ve ön semptomatik aşamaya odaklanmaktadır. Veri seti, geniş yaş aralığına sahip yerel Suudi hastane hastaları için geniş bir hasta popülasyonunu kapsar; hipertiroidizmin pozitif ve negatif vakalarının karışımıdır.

Bu çalışmada dört makine öğrenimi algoritması kullanıldı: destek vektör makinesi (SVM), K-en yakın komşular (KNN), eXtreme gradyanı artırıcı (XGBoost) ve SVM ile KNN'den oluşan yumuşak oy topluluğu sınıflandırıcısı. Dört algoritmanın her biri tıp alanında yeteneklerini kanıtlamıştır. KNN algoritması, basitliği ve diyabet (DM)20'nin önleyici teşhisinde %77,5 test doğruluğu sağladığı için seçilmiştir. Aynı zamanda, SVM sağlamlığınedeniyle seçildi 21 ve yakın zamanda COVID-19 hastalarında ölüm riskini tahmin etmek içinkullanılmıştır 22. Ayrıca, XGBoost güçlü performansı23 ile seçildi ve hipertansiyon sonuçları için %94 doğru tahmin puanı elde etti ve en iyi performanslı algoritmalardan elde edilen sonuçları artırmak için stacking kullanıldı.  Ayrıca, tiroid bozukluklarını %100 doğrulukla tanımlamak için bir oy topluluğusınıflandırıcısı kullanılmıştır 24.

Mevcut çalışmanın temel amacı, orijinal rutin klinik veriler ve son teknoloji makine öğrenimi algoritmaları kullanılarak Suudi bir popülasyonda hipotiroidizmin erken teşhisi konmasıdır. Bu çalışmada kullanılan dört teknik, hipotiroidizm veri seti kullanılarak Python programlama dili kullanılarak Jupyter platformunda uygulanmıştır. Performansı artırmak için hiperparametre ayarıyla 10 kat çapraz doğrulama kullanıldı. Daha sonra ileri seçim tekniğiyle ardışık özellik seçimi uygulandı ve oy topluluğu sınıflandırıcısı %94,7 ile en yüksek doğruluğu elde etti. Sırasıyla SVM, KNN ve XGBoost onu takip etti. Hatırlama konusunda, yumuşak oy topluluğu sınıflandırıcısı %95,5 ile en yüksek puanı elde etti. Genel olarak, önemez hipotiroidi tanısı için optimal model, bu çalışmada değerlendirilen tüm performans ölçütleri arasında en yüksek puanı elde eden yumuşak oy topluluğu sınıflandırıcısıdır.

Genel tiroid bozukluklarının teşhisi ve özellikle makine öğrenimi gibi teknolojilerin bilgisayar destekli bir çözüm olarak uygulanması üzerine birçok çalışma yapılmıştır. LSTM-CNN, AlexNet, ayarlanmış GoogLeNet, IndRNN–CNN ve ayarlanmış ResNet derin öğrenme modelleri, 32 hipotiroidi hastası, 38 hipertiroidi hastası ve 29 kontrol denekten serum örneklerini ayırt etmek için Raman spektroskopisiyle kullanıldı. Modelleri sırasıyla %84, %91, %75, %82 ve %71 doğrulukelde etmiş (%25).

Nazofaringeal karsinom hastalarında radyasyon kaynaklı hipotiroidizmin insidansını tahmin etmek için SVM, KNN, lojistik regresyon ve rastgele orman gibi makine öğrenimialgoritmaları kullanılmıştır 26. Modelleri 0.7 AUC değeri elde etti. Ayrıca, yazarlar LT4 tedavisi gören hipotiroidi hastalarının tedavi eğilimini tahmin etmek için çeşitli makine öğrenimi algoritmaları kullandılar. 10 sınıflandırıcı arasında, ekstra ağaç sınıflandırıcı %84 ile en yüksek doğruluğu elde etti.

Başka bir çalışmada, yazarlar hipertiroidizm ve hipotiroidisi olan ve acil tıbbi tedaviden fayda sağlayacak kişileri belirlemek için bir makine öğrenimi stratejisi geliştirdive test etti 27. Gradyent artırma karar ağacı (GBDT), SVM, ANN ve lojistik regresyon algoritmaları uyguladılar. Modelleri hipertiroidi için sırasıyla %93,8 ve hipotiroidi için %90,9 AUROC elde etti. Başka bir çalışmada ise yazarlar, hipotiroidizm ve hipertiroidi gibi tiroid bozukluklarını tespit etmek için makine öğrenimi kullandılar. Modelleri arasında SVM, ANN, KNN, lojistik regresyon ve karar ağacı bulunuyordu; en yüksek doğruluk %96,92 ile LojistikRegresyon 28 ile sağlandı. Son zamanlarda, bir grup araştırmacı, hipotiroidiyi tahmin etmek ve tespit etmek için SVM, karar ağacı, Naïve Bayes ve ensemble gibi farklı yöntemler uyguladı. Karar ağacı en yüksek doğruluğu elde etti ve %97,6 ile gerçekleşti29. Başka bir çalışma, hipertiroidizm ve hipotiroidizm hastalıklarının tiroid veri setinin özelliklerini 21'den 10'a düşürmek için hibrit diferansiyel evrim çekirdeği tabanlı Naïve Bayes algoritmasını uyguladı. Daha sonra çekirdek tabanlı Naïve Bayes sınıflandırıcısını özellik alt kümesine uyguladılar ve %97,97 doğruluk30 elde ettiler. Benzer şekilde, başka bir çalışmada yazarlar, California Üniversitesi'nden alınan hasta-ötiroid veri setinde tiroid hastalığı riskini tahmin etmek için birkaç makine öğrenimi algoritması kullandılar. Deneyleri, ANN'nin diğer tüm yöntemleri aştığını ve %95 doğruluk sağladığını gösterdi31. Ayrıca, Jha ve ark. tiroid hastalıklarını tahmin etmek için derin sinir ağlarına dayalı önerilen özellik artırma tekniklerini kullanarak %99,95 doğruluk elde etmişlerdir32.

Önceki literatüre göre, tiroid hastalıklarını tanımlamak için çoklu özellik seçimine sahip homojen bir oy topluluğu kullanılmıştır; bu algoritmalar rastgele orman, gradyan artırma, karar ağacı ve lojistik regresyon ile %100 doğrulukelde edilmiştir 24. Ayrıca, yazarlar aşırı öğrenme makine modelini Kaggle'daki hipotiroidi açık erişim veri setine uygulamış ve %92 doğruluk sağlamıştır. Veri setinde 3772 örnek bulunuyordu: 3481 hipotiroid, kalan33 negatif. Yakın zamanda yapılan bir çalışmada, yazarlar hipotiroidizmi sınıflandırmak için poşetli CART kullandılar. Önerilen model, %99,9 kadar etkileyici bir doğruluk sağladı. Ayrıca, hipotiroidi ile ilişkili en önemli faktörler olarak T4U, TSH ve TBGtespit edilmiştir 34. Başka bir çalışmada ise yazarlar, karar ağacı ve rastgele ormanın sırasıyla %99,5 ve %99,3 doğruluk sağladığı farklı makine öğrenimi ve derin öğrenme modellerini önerip karşılaştırdılar. 30 özellik ve 3772 örnek içeren bir Weka veriseti kullandılar (35).

Bu kısa literatür incelemesi, kullanılan yöntemlerin çoğunun çok iyi veya mükemmel sonuçlar elde ettiğini, ancak hiçbirinin Suudi Arabistan'dan basit bir klinik veri seti kullanmadığını göstermektedir. Ayrıca, değerlendirilen çoğu yayının görüntüleme veri setleri kullandığı, bunun veri toplama için gereken çalışmayı artırdığı ve teknik olmayan kişiler tarafından oluşturulan çok karmaşık modellerin uygulanmasını zorlaştırdığı da belirtildi. Ayrıca, bu çalışmaların çoğu genel tiroid bozuklukları üzerine yapılmış olup, hipotiroidi vurgulayan çok az yayın bulunmaktadır. Bu durum, sınırlı bilgisayarlı ekipmana sahip yerel hastanelerin hastalığı önleyici teşhis koymasında yardımcı olmak için Suudi veri setinden basit bir klinik veri setinde temel makine öğrenimi modellerini inceleme fırsatı sunar.

Mevcut çalışmada incelenen algoritmaların kısa girişi, Ek Dosya 1'de verilmiştir. Dört algoritma: K-En Yakın Komşu (KNN)36,37,38,39,40, Destek Vektör Makinesi (SVM)41,42,43,44,45, Aşırı Gradient Artırma (XGBoost)46,47,48 ve oy topluluğu 49,50.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Protokol

1. Metodoloji

NOT: Materyaller Tablosu'nda açıklandığı gibi, bu araştırma için yapılan deney, hipotiroidizmin önleyici teşhisi için makine öğrenimi modelleri geliştirmek amacıyla kullanılan Jupyter Notebook üzerinde Python ile gerçekleştirilmiştir. Ön işlem aşamasında Microsoft Excel ve Python Scikit-Learn kütüphanesi kullanıldı. K-en yakın komşu (KNN), destek vektör makinesi (SVM), aşırı gradyan artırma (XGBoost) ve KNN ile SVM'den oluşan yumuşak oy topluluğu sınıflandırıcısı veri setini eğitmek için kullanıldı; GridSearchCV ve 10 katlı çapraz doğrulama ile optimal hiperparametreler elde edildi. Ayrıca, her sınıflandırıcı için özellik önemi permütasyon önemi kullanılarak çizildi.

  1. mxl-tend kütüphanesinin iletim tekniğiyle ardışık özellik seçimi kullanın.
  2. En iyi özellik alt kümesini seçmek için 10 katlı çapraz doğrulama kullanarak tüm modellere ardışık özellik seçicisini uygulayın.
  3. En iyi modeli belirlemek için 10 kat çapraz doğrulama kullanılarak oluşturulan tüm modellerin ortalama doğruluğunu, hatırlamayı, hassasiyetini, F1-puanını ve log kaybını değerlendirin.
  4. Ayrıca, her model için alıcı çalışma karakteristikası (AUROC) eğrilerinin altındaki karışıklık matrisleri ve alanlar optimal hiperparametreler ve en iyi özellik alt kümesi kullanılarak oluşturulur.
  5. Tanı sonuçlarını, kulak burun boğaz hastalıkları, genel tıp ve radyoloji alanlarında üç uzmandan oluşan bir ekip tarafından doğrulayın. Şekil 1 , deneysel bulguların çerçevesini özetlemektedir.

figure-protocol-1
Şekil 1: Deneysel çerçeve. Bu, çalışmanın deneysel çerçevesidir. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

NOT: Hipotiroidi için Suudi veri seti, Suudi Arabistan'ın Dammam kentindeki King Fahad Uzman Hastanesi'nden (KFSH) alınmıştır. İmam Abdulrahman bin Faisal Üniversitesi'ne (eski adıyla Dammam Üniversitesi) bağlı bir devlet hastanesidir. Dammam doğu eyaletinde yer alır ve hastaların çoğu aynı bölgeye aittir. Kurumsal inceleme kurulu (IRB) onayıyla veri seti, hastanedeki standart triage prosedürleri ve denemeler sırasında toplandı ve hastane yönetim sisteminde hasta sağlık kayıtları (PHR) olarak kaydedildi; bu kayıtlar 2020–2021 yılları boyunca kaydedildi. Veri seti, 11–92 yaş arası 152 hastanın (100 kadın ve 52 erkek) standart klinik testlerini içeriyor; bunların 89'u hipotiroidi pozitif teşhis edilmiş. Buna karşılık, kalan 63 kişi hipotiroidi olmadan ancak Alzheimer hastalığı gibi diğer hastalıklarla teşhis edildi. Veri setinde 483 özellik vardı; ön işleme sırasında eksik değerleri olan özellikler %30'u aşarak 18'e indirildi. Tablo 1, bu çalışmada kullanılan özellikleri özetlemektedir.

ÖzellikTanım 
YaşYaş yıllarla.
CinsellikErkek mi kadın.
Beyaz Kan Hücreleri (WBC)Beyaz kan hücresi sayımı.
SıcaklıkVücut sıcaklığı derece Celsius (°C) cinsinden.
Kırmızı Kan Hücreleri (RBC)Kırmızı kan hücresi sayımı.
TrombositTrombosit sayımı.
MPVOrtalama Trombosit Hacmi
Nabız oksiKandaki oksijen ölçümü (oksijen doygunluğu).
MCHOrtalama Korpusküler Hemoglobin.
RDWKırmızı Hücre Dağılım Genişliği.
MCVOrtalama Korpusküler Hacm.
MCHCOrtalama Korpusküler Hemoglobin Konsantrasyonu
NabızKalp atış hızı.
HematokritKırmızı kan hücrelerinin hacmi.
BP – SistolikEn yüksek tansiyon.
HemoglobinKandaki hemoglobin seviyesi.
BP – DiyastolikEn düşük basınç.
Solunum HızıDakikalık solunum hızı.

Tablo 1: Veri seti açıklaması. Bu tablo, tanım veri setini sunar.

2. İstatistiksel analiz

NOT: Veri setinin istatistiksel analizi, veri setinin desenini görselleştirmeye ve anlamaya yardımcı olur; böylece veri ön işleme ve modelleme daha iyi hale getirilir. Tablo 2, Hipotiroidizm Hastalığı veri setinin istatistiksel analizini ve HT olmayan gruplardaki sonuçları karşılaştırmaktadır.

  1. Demografik özelliklerin pozitif ve negatif gruplar arasında dengesiz olup olmadığını araştırmak için, SPSS yazılımında (sürüm: 26.0, IBM, ABD) istatistiksel analiz yapılabilir.
  2. Normal dağılım ve varyans homojenliği sağlanmışsa bağımsız örnek t-testi veya Man-Whitney U testi kullanılarak nicel verileri derleyin.
  3. Kategorik verileri ki-kare testi veya Fisher'ın tam testi ile derleyin.
DeğişkenHipotiroidi (n = 89)Hipotiroidi Dışı (n = 63)t / U değeriP değeri
Yaş43.00 (33.00, 54.00)76.00 (70.00, 80.50)5.388< 0.001
Solunum Hızı20.00 (20.00, 20.00)20.00 (20.00, 21.50)2.5610.004
BP – Sistolik117.72 ± 16.46127.85 ± 17.773.3020.001
BP – Diyastolik73.00 (68.00, 79.00)72.95 (65.00, 80.25)2.0760.892
Nabız79.09 ± 12.1982.35 ± 12.721.470.145
Sıcaklık36.60 (36.50, 36.80)36.70 (36.60, 36.90)2.5760.029
Nabız oksi99.00 (99.00, 100.00)99.00 (98.00, 99.00)1.0880.005
Hematokrit38.20 (35.88, 40.23)37.30 (31.30, 41.30)1.4710.318
Kırmızı Kan Hücreleri4.52 (4.26, 4.81)4.37 (3.81, 4.89)1.360.104
Hemoglobin12.70 (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
Trombosit261.23 ± 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
Beyaz Kan Hücreleri6.10 (4.80, 7.43)7.20 (5.70, 8.90)2.0750.017

Tablo 2: Özelliklerin istatistiksel analizi. Bu tablo, hem HT hem de HT olmayan gruplardaki özelliklerin istatistiksel analizini göstermektedir. Kısaltmalar; HT = hipotiroidizm.

NOT: Tablo 2'de, HT ve HT dışı gruplar Yaş, Solunum Hızı, BP-sistolik, Sıcaklık, Nabız oksitasyonu, RDW, Trombosit ve Beyaz Kan Hücreleri açısından anlamlı derecede farklıdır. Bu nedenle, iki grubu ayırt etmek için fizyolojik özellikler kullanılabilir.

3. Veri ön işleme

  1. Ham CSV verilerini yüklüyor. Bu çalışmada kullanılan veri seti CSV formatındadır. İlk olarak, CSV dosyası ham formatında içe aktarıldı. Aşağıda verilmiştir:
    clean_data = PD. DataFrame (normalleştirilmiş, sütunlar=['cinsiyet','Yaş','Nabız','BP - Sistolik','BP - Diyastolik','Sıcaklık','Solunum Hızı','MCV','MCH','MCHC','Hematokrit','Beyaz Kan Hücreleri','Hemoglobin','Kırmızı Kan Hücreleri','RDW','Trombosit','MPV','Nabız oksimetri','Açıklama'])
  2. Modelin veri temsili ve doğruluğunu artırmak için veri ön işleme (outlier removal, eksik değerlerin işlemesi ve normalleştirme) dahil olmak üzere ön işleme gerçekleştirin.
  3. Veri setinin ilk işlemesi için, aykırı çıkarma dahil Microsoft Excel kullanın. 'Pulse Ox', 'BP-Sistolik', 'BP-Diyastolik' ve 'Solunum Hırtı' içindeki istisnaları bir dağılma grafikiyle çıkarın ve yerine karşılıklı ortalamalarıyla değiştirin.
  4. Eksik değerlerin tedavisi
    Veri seti Python'a aktarıldı ve NumPy, Pandas ve Scikit-learn kütüphaneleri kullanılarak ön işlem yapıldı. Eksik değerleri işlemek için sklearn kütüphanesinden KNN imputer'ı kullanın.
    NOT: Öklid metriği ve en yakın komşu değeri 5 kullanılmıştır. Aşağıda verilmiştir:
    imputer = KNNImputer(n_neighbors=5)
    veri = imputer.fit_transform(clean_data)
    scaler = MinMaxScaler()
    scaler.fit(data)
  5. Dizileri ikili olarak kodlayın.
    NOT: Tam sayı bir değeri sırasıyla 'Açıklama' ve 'Cinsiyet' içinde 'Pozitif' ve 'Kadın'ı, 'Tanım' ve 'Cinsiyet' bölümlerinde ise sırasıyla 'Negative' ve 'Erkek' olarak temsil edilirken, sıfır ise 'Açıklama' ve 'Cinsiyet' bölümlerinde 'Olumsuz' ve 'Erkek'i temsil ederdi. Veri seti, sklearn kütüphanesinden MinMaxScaler kullanılarak ölçeklendirildi ve değerler 0–1 aralığına eşlendi. Aşağıda verilmiştir:
    normalize = scaler.transform(data)

4. Model oluşturma ve değerlendirme

NOT: Çapraz doğrulama için veri bölme: Farklı katlamalarla yapılan çeşitli deneylerden sonra, 10 katlı çapraz doğrulamanın optimal olduğu bulundu ve sonrasında uygulandı.

  1. Her modeli belirtilen hiperparametrelerle eğitin.
  2. Özellik seçimi yapın ve modelleri seçilmiş özellikler üzerine yeniden eğitin.
    NOT: Önerilen çalışmada, ileri ardışık özellik seçimi tekniği kullanılmıştır. Modeller daha sonra en iyi özellik seti için optimize edildi. 4.1–4.2. adımlar için aşağıdaki kod segmenti dağıtıldı:
    sklearn.model_selection import train_test_split, GridSearchCV, StratifiedKFold
    kf = StratifiedKFold(n_splits=10,shuffle=Doğru, random_state=1)
    Gridearch, 10 split ile katmanlı k katı kullandı ve skor ölçüsü doğruluktu. Aşağıdaki kod, bunun nasıl yürütüldüğünü SVM kullanılarak bir örnekle açıklar.
    parametreler = {
    'çekirdek': ['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,
    parametreler,
    cv=kf,
    skoring='doğruluk'
    )
    svm_GS.fit(X, y)
    fig = plot_cv_results(svm_GS.cv_results_, 'C', 'kernel')
    sfs1 = SFS(tahminci=svm,
    k_features=(1, 18),
    forward=Doğru,
    floating=Yanlış,
    scoring='doğruluk',
    cv=kf)
  3. Performans metriklerini değerlendirin ve nihai modeli seçin.
    NOT: Performans ölçütü: Bu çalışma, sınıflandırmada en çok kullanılan performans ölçütlerini kullandı: doğruluk, hassasiyet, hatırlama, F1–Puan ve log kaybı. Bu performans ölçütleri aşağıda kısaca ve formülleriyle birlikte açıklanmıştır.
    Hassasiyet (PR): Beklenen toplam pozitif gözlemlere ait gerçek pozitif gözlemlerin sayısı. Bu formül şu şekilde verilir:
    figure-protocol-2(1)
    Geri Çağırma (RE): Pozitif olarak tahmin edilen gerçek pozitif vaka sayısını temsil et. Bu formül şu şekilde verilir:
    figure-protocol-3(2)
    Doğruluk (AC): Bu, modelin yaptığı doğru tahminlerin yüzdesidir. Bu şu şekilde verilir:
    figure-protocol-4(3)
    Burada:
    True Positive (TP): Doğru sınıflandırılmış hipotiroidi vakalarının sayısı.
    Yanlış Pozitif (FP): Yanlış sınıflandırılmış hipotiroidi vakalarının sayısı.
    Gerçek Negatif (TN): Doğru sınıflandırılan hipotiroidi dışı vakaların sayısı.
    Yanlış Negatif (FN): Yanlış sınıflandırılan hipotiroidi dışı vakaların sayısı.
    F1–Puan: Bu, geri çağırma ve hassasiyetin ağırlıklı ortalamasıdır. Verilmiştir:
    figure-protocol-5(4)
    Log Kayıp: Bu, tahmin edilen olasılığın gerçek değerle ne kadar yakın eşleştiğidir. O
    şu formülle verilir:
    figure-protocol-6(5)
    N ve M sırasıyla örneklem ve özellikler sayısını gösterirken, Yij ise i. örneklemin jsınıfına ait olup olmadığını belirtir. Pij, i. örneklemin jsınıfa ait olma olasılığını gösterir. Bu çalışma ayrıca, ikili sonucun olasılığını tahmin etmekte faydalı olan alıcı çalışma karakteristikasını (ROC) da göstermiştir. Bu, modellerin performansını çeşitli eşik ayarlarında görselleştirmeye yardımcı olmak için yapıldı. ROC, bir modelin sınıflar arasında ne kadar iyi ayrım yaptığını gösterir.
  4. Optimizasyon stratejisi
    NOT: Hiperparametre optimizasyonu, herhangi bir makine öğrenimi çalışmasında en iyi sonuçları elde etmek için fazla vurgulanmaz. Bu çalışma, her model için optimal hiperparametreleri belirlemek amacıyla GridSearchCV ile 10 kat çapraz doğrulama ile kullanıldı. GridSearchCV, bir modelin parametrelerini ince ayar etmek için bir araçtır. Parametre ızgarasında sağlanan tüm parametreleri döngüye geçirerek ve en iyi kombinasyonları seçerek çalışır. Hiperparametre ayarı, her modelde en yüksek doğruluğu belirlemek için çok önemlidir. Her model için hiperparametreler, aralık, en iyi değer ve ürettikleri doğruluk dahil olmak üzere Tablo 3'te sunulmaktadır.
AlgoritmaHiper-parametre adıHiper-parametre aralığıEn İyi DeğerEn iyi değeri kullanarak doğruluk
K-NNMetrik'Minkowski', 'Manhattan', 'Öklid'Minkowski84.21%
N_neighbors3, 5, 7, 9, 11, 135
SVMÇekirdek'linear', 'poly', 'rbf', 'sigmoid'doğrusal92.76%
Maliyet (C)1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 1009
Gamma1, 0.1, 0.01, 0.001, 0.00011
XGBoostN_estimators5,01,00,15,02,00,25020089.47%

Tablo 3: Optimal hiperparametre. Bu, her modelin optimal hiperparametresini gösterir.

Şekil 2–4, KNN, SVM ve XGBoost teknikleri için hiperparametre arama için ızgara arama yaklaşımını ve bunların tüm özellikler kullanılarak nasıl uygulandığını göstermektedir.

figure-protocol-7
Şekil 2: KNN Performansı. Bu, KNN'nin farklı metrikler ve komşu sayılarındaki performansıdır. Kısaltmalar; KNN = K en yakın komşu. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

figure-protocol-8
Şekil 3: SVM Performansı. Bu, Çekirdek ve Maliyet Fonksiyonu değerleri ile SVM'nin performansıdır. Bu şeklin daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

figure-protocol-9
Şekil 4: XGBoost Performansı. Bu, farklı Booster ve N_estimator değerleriyle XGBoost performansıdır. Kısaltmalar; XGBoost = Aşırı gradyan artırma. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

  1. KNN ve SVM sınıflandırıcılarından elde edilen en iyi parametreleri birleştirerek modelin performansını daha da artırmak için yumuşak bir oy sınıflandırıcı oluşturun. Bir KNN sınıflayıcısı ve iki SVM sınıflayıcısından oluşur.
  2. SVM'nin Çekirdeklerinden birini 'rbf' ile değiştirin, bu 'linear'dan sonra en iyi ikinci Çekirdektir.
  3. NOT: Sınıflandırıcılar ve ilgili hiperparametreler, tüm sınıflandırıcılar ve onların hiperparametreleri üzerinde birçok deneme-yanılma denemesinden sonra en iyi performansı verdikleri için seçilmiştir. Ayrıca, 14,15'te toplanan klinik veri setleriyle çeşitli hastalıklar için önleyici tanı sorunlarıyla mücadele etme uzun geçmişine dayanarak, bu kombinasyon deneysel bölümlerde daha da gösterildiği gibi, umut verici tanı doğruluğu göstermektedir. Tablo 4, Yumuşak Oylama için kullanılan sınıflandırıcıları, bunların hiperparametrelerini ve üretilen doğruluğu gösterir.
AlgoritmaSınıflandırıcılarHiper-parametrelerDoğruluk
Yumuşak Oy SınıflandırıcıK-NNMetrikMinkowski
N_neighbors5
SVM1Çekirdekdoğrusal
Maliyet (C)988.81%
Gamma1
SVM2Çekirdekrbf
Maliyet (C)9
Gamma1

Tablo 4: Oy sınıflandırıcı hiperparametreleri. Bu, oy sınıflandırıcı kombinasyonunu ve hiperparametreleri gösterir.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Sonuçlar

Modellerin performansı
Bu çalışmada oluşturulan dört modelin performansı, doğruluk, hatırlama ve test açısından karşılaştırıldı ve analiz edildi. GridsearchCV algoritması, tüm özellikleri kullanarak her model için en iyi hiperparametreyi belirlemek amacıyla kullanıldı. Her modelin performansı, katmanlı 10 kat çapraz doğrulama ile değerlendirildi. Tablo 5 , her modelin performansının sonuçlarını sunmaktadır.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Tartışma

Bu çalışmada, Hipotiroidizm için önleyici tanı modeli geliştirmek amacıyla Suudi klinik veri setinde makine öğrenimi algoritmaları incelenmiştir. Dört model oluşturuldu: KNN, SVM, XGBoost ve Soft Voting Ensemble Classificier. Dört modelin tamamı, hastalığın önleyici teşhisinde yaş ve solunum hızını önemli göstergeler olarak belirlemiştir. Dört model arasında, Oy Sınıflandırıcısı, bu çalışmada kullanılan tüm metriklerde üstün performans göstermiştir. Sadece beş özellik kullanarak %94,73 d...

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Açıklamalar

Veri seti, hastaneden IRB-2020-09-429 kapsamında alınmıştır. Yazarların mevcut çalışmayla ilgili bildirecek çıkar çatışması bulunmamaktadır.

Teşekkürler

Yazarlar, çalışmanın bulgularının doğrulanması için sağlık profesyonellerinin desteğini takdir etmek isterler.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Malzemeler

Bu makalede kullanılan malzemelerin listesi
AdŞirketKatalog numarasıYorumlar
Dizüstü bilgisayar/MakineDellXPS9320RAM 16GB, 12. Nesil Intel(R) Core(TM) i7-1260P
Excel 365MicrosoftExcel 365Ham veriyi csv formatında depolamak için kullanılır
Python 3.12.12Google colab Notebook Python 3.12.12Model yapım eğitimi ve nbsp için kullanılır;
Numpy 2.0.2Google colab Notebook Numpy 2.0.2Model yapım eğitimi ve nbsp için kullanılır;
Pandas 2.2.2Google colab Notebook Pandas 2.2.2Model yapım eğitimi ve nbsp için kullanılır;
Sklearn 1.6.1Google colab Notebook Sklearn 1.6.1Model yapım eğitimi ve nbsp için kullanılır;
mlxtend 0.23.4Google colab Notebook mlxtend 0.23.4Model yapım eğitimi ve nbsp için kullanılır;
XGbbost 3.1.2Google colab Notebook XGbbost 3.1.2Model yapım eğitimi ve nbsp için kullanılır;
SPSS IBM, ABDSklearn 1.6.1İstatistiksel analiz için kullanılır

Kaynaklar

  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).

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Yeniden basım ve izinler

Etiketler

Hipotiroidizm Tan sMakine renmesiYumu ak Oylama S n fland r cSVM AlgoritmasKNN AlgoritmasGradyan Art rmaKlinik Veri Setiznitelik Se imi
Bize ulaşın
Kütüphaneye tavsiye et

Gizlilik

Kullanım Şartları

İlkeler

Telif hakkı © 2026 MyJoVE Corporation. Tüm hakları saklıdır.