fa تشخیص بیماری تیروئید با استفاده از ترکیب شبکه‌ های عصبی به روش سلسله مراتبی تخصصي Special پژوهشي اصیل Original Article <div style="text-align: justify;"><span style="font-family:tahoma;"><strong><span style="color: black;">مقدمه:</span></strong> غده تیروئید نسبت به غده&rlm;های دیگر بدن بیشتر دچار مشکل می&rlm;شود و در صورت عدم تشخیص به موقع بی نظمی&rlm;های تیروئید، بیمار دچار حمله تیروئیدی و یا کمای میگزدم شده که ممکن است منجر به مرگ گردد. از این رو تشخیص بی&rlm;نظمی&rlm;های تیروئید (پرکاری یا کم&rlm;کاری) بر پایه تست&rlm;های آزمایشگاهی و کلینیکی امری ضروری است. هدف از این پژوهش ارائه مدلی مبتنی بر تکنیک داده کاوی است که قابلیت پیش&rlm;بینی بیماری تیروئید از نظر کم&rlm;کاری و پرکاری را داشته باشد.<br> <strong><span style="color: black;">روش:</span></strong> این مطالعه از نوع توصیفی-تحلیلی بوده و پایگاه داده آن شامل 7200 رکورد مستقل مبتنی بر 21 ریسک فاکتور و برگرفته شده از مرجع داده <span dir="LTR"><span style="font-size: 11pt;">UCI</span></span> می&rlm;باشد که از این تعداد 70‌% نمونه&rlm;ها جهت آموزش و 30‌% آن‌ها جهت آزمون استفاده شده است. این پژوهش ابتدا به بررسی عملکرد شبکه&rlm;های عصبی‌، به منظور تشخیص بیماری تیروئید پرداخته و سپس به ارائه الگوریتمی به نام ترکیب شبکه&rlm;های عصبی به روش سلسله مراتبی می‌پردازد.<br> <strong><span style="color: black;">نتایج</span></strong><strong>:</strong> پس از مدل‌سازی و مقایسه مدل&rlm;های تولید شده و ثبت نتایج دقت پیش‌بینی بیماری تیروئید با استفاده از روش&rlm; شبکه عصبی 6/96% و روش سلسله مراتبی 100‌% به دست آمد.<br> <strong>نتیجه‌گیری:</strong> کاهش خطای تشخیص بیماری تیروئید همواره یکی از اهداف محققین بوده است. استفاده از روش&rlm;های مبتنی بر داده‌کاوی می&rlm;تواند به کاهش این خطا کمک کند. این مطالعه ضمن تشخیص بیماری تیروئید به کمک شبکه‌های عصبی، نشان می‌دهد که ارائه روش قوی‌تری به نام ترکیب شبکه&rlm;های عصبی به صورت سلسله مراتبی منجر به بهبود دقت تشخیص می‌شود.</span></div> <div style="text-align: justify;"><strong>Introduction:</strong> Problems in thyroid gland are more common than in other glands of human body, and if they are not diagnosed early, thyroid storm or myxedema coma is likely to happen that might lead to death; therefore, on-time diagnosis of thyroid disorders (Hypothyroidism or hyperthyroidism) based on Laboratory and clinical tests is necessary. The main object of this research was to present a model based on data mining techniques that is capable of predicting thyroid diseases.<br> <strong>Methods:</strong> This study was a descriptive-analytic study and its database included 7200 independent records based on 21 risk factors derived from UCI data reference. From all records, 70% were used for training and 30% for testing. First, neural networks performance was reviewed in order to diagnose thyroid diseases, and then an algorithm for combination of neural networks through hierarchical method was presented.<br> <strong>Results:</strong> After modeling and comparing the generated models and recording the results, accuracies of predicting thyroid disorders using neural network and hierarchical method were found to be 96.6% and 100% respectively.<br> <strong>Conclusion</strong>: Reducing misdiagnosis of thyroid diseases has always been one of the most important aims of researchers. Using methods based on data mining can decrease these errors. This study showed that using combination of neural networks through hierarchical method improves diagnosis accuracy.</div> شبکه عصبی مصنوعی, شبکه MLP, ترکیب شبکه‌ های عصبی, تشخیص بیماری تیروئیدی, تشخیص نوع تیروئید Artificial neural network, MLP network, Combination of neural networks, Thyroid diagnosis 21 31 http://jhbmi.ir/browse.php?a_code=A-10-259-1&slc_lang=fa&sid=1 Iman Zabbah ایمان ذباح e.yasrebi@torbath.ac.ir 10031947532846003584 10031947532846003584 No دانشجوی دکتری کامپیوتر ، گروه کامپیوتر، دانشگاه آزاد اسلامی تهران شمال، دانشکده مهندسی، تهران،ایران Seyed Ehsan Yasrebi Naeini سید احسان یثربی imanzabbah@gmail.com 10031947532846003585 10031947532846003585 Yes عضو هیات علمی گروه کامپیوتر و فناوری اطلاعات، دانشکده مهندسی ، دانشگاه تربت حیدریه Zahra Ramazanpoor زهرا رمضانپور zahra9631@gmail.com 10031947532846003586 10031947532846003586 No کارشناسی کامپیوتر، گروه کامپیوتر و فناوری اطلاعات، دانشکده مهندسی، دانشگاه تربت حیدریه Khadije Sahragard خدیجه صحراگرد sahragard.khadijeh@gmail.com 10031947532846003587 10031947532846003587 No کارشناسی کامپیوتر، گروه کامپیوتر و فناوری اطلاعات، دانشکده مهندسی، دانشگاه تربت حیدریه