Implementation of an optimized classification model for prediction of hypothyroid disease risks

Dash, Shreela; Das, Madhabananda; Mishra, Brojo Kishore

doi:10.1109/inventive.2016.7824794

Cited by 17 publications

(2 citation statements)

References 7 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…The reduced dimensions featureset was processed under SVM, KNN, Neural Network, and Decision Tree methods to gain a higher classification rate. The ranker search [23] method was applied to identify the most relevant features from the thyroid disease dataset. The highest-ranked features were processed by the probabilistic Naive Bayes classifier to gain accuracy over 95%.…”

Section: Related Workmentioning

confidence: 99%

Expanded and Filtered Features Based ELM Model for Thyroid Disease Classification

Juneja

2022

Wireless Pers Commun

View full text Add to dashboard Cite

Thyroid disorder affects the regulation of various metabolic processes throughout the human body. The structural and functional disorders can affect the body as well as the brain. The computer-aided diagnosis system can identify the kind of Thyroid disease. One such machine learning framework is presented in this paper to recognize disease existence and type. In this paper, a fuzzy adaptive feature filtration, expansion, and again filtration based model is presented for generating the most relevant and contributing features. This two-level filtration model is processed in a controlled fuzzy-based multimeasure evaluation. At the first level, the composite-fuzzy measures are combined with expert's recommendations for identifying the ranked and relevant features. At the second level, the statistical computation based distance measure is applied for expanding the featureset. The fuzzification is applied to expanded featureset for transiting the continuous values to fuzzy-values. At this level, the fuzzy-based composite-measure is applied for selecting the most contributing and relevant features over the expanded dataset. This processing featureset is processed by the ELM classifier to predict the disease existence and class. Five experiments are conducted on two datasets for validating the performance and reliability of the proposed framework. The comparative analysis is conducted against the NaiveBayes, Decision Tree, Decision Forest, Random Tree, Multilevel Perceptron, and RBF Networks. The analysis outcome is taken in terms of accuracy, error, and relevancy based parameters. The proposed framework clams the significant gain in accuracy, relevancy, and reduction in the error rate.

show abstract

Section: Related Workmentioning

confidence: 99%

Expanded and Filtered Features Based ELM Model for Thyroid Disease Classification

Juneja

2022

Wireless Pers Commun

View full text Add to dashboard Cite

show abstract

“…Dash vd. [16] çalışmalarında, tiroit verilerinin sınıflandırılması için uygulanan çeşitli teknikleri derlemiştir. Şengül ve Türkoğlu [17], biyokimya test sonuçlarından hipertiroidi ve hipotiroidi teşhisinde, doktorlara kolaylık sağlayacak karar ağaçları temelli bir karar destek sistemi tasarlanmıştır.…”

Section: Yazin Taramasi (Literature Review)unclassified

Hipotiroidi Hastalığı Teşhisinde Sınıflandırma Algoritmalarının Kullanımı

Akgül

Çelik

Aydin

et al. 2020

Bilişim Teknolojileri Dergisi

View full text Add to dashboard Cite

Hastalık teşhisi, tıp alanında karşılaşılan en önemli problemlerden biridir. Belirli bir hastalığın farklı türlerinin ve diğer hastalıklarla benzer semptomlarının olması hastalığın teşhisini zorlaştırmaktadır. Tiroit hastalığı çeşitlerinden biri olan hipotiroidi de bu sebeplerle teşhisi geciken ve hastaların yaşam kalitesini düşüren bir hastalıktır. Bu çalışmanın amacı, tanı sürecinde hastalara sorulan soru ve uygulanan test sonuçlarını kullanarak hipotiroidi hastalığının doğru teşhis oranını arttıracak veri madenciliği temelli bir sistem önermektir. Diğer amaç ise dolaylı olarak teşhis için kullanılan girişimsel testlerden oluşabilecek komplikasyonları azaltmaktır. Bu amaçlar doğrultusunda UCI makine öğrenmesi veri tabanında yer alan ve 151 tanesi hipotiroidi geri kalanı hipotiroidi olmayan toplam 3163 örnekten oluşan veri seti kullanılarak yeni örneklerin hipotiroidi olup olmadığı tahmin edilmiştir. Veri setindeki dengesiz dağılımı ortadan kaldırmak için veri setine farklı örnekleme teknikleri uygulanarak Lojistik Regresyon, K En Yakın Komşu ve Destek Vektör Makinesi sınıflandırıcıları ile hipotiroidi hastalığını teşhis edecek modeller oluşturulmuştur. Bu yönüyle, çalışma örnekleme yöntemlerinin hipotiroidi hastalığı teşhisi üzerindeki etkisini göstermiştir. Geliştirilen modeller içinde en yüksek performansı, aşırı örnekleme teknikleri uygulanan veri seti ile eğitilen Lojistik Regresyon sınıflandırıcısı vermiştir. Bu sınıflandırıcı ile elde edilen en iyi sonuçlar; doğruluk oranı için %97.8, F-Skor değeri için %82.26, eğri altında kalan alan için %93.2 ve Matthews korelasyon katsayısı için de %81.8'dir.

show abstract

Computer-Aided Diagnosis of Thyroid Dysfunction: A Survey

Parmar¹,

Mehta²

2020

Lecture Notes in Computer Science

View full text Add to dashboard Cite

Implementation of an optimized classification model for prediction of hypothyroid disease risks

Cited by 17 publications

References 7 publications

Expanded and Filtered Features Based ELM Model for Thyroid Disease Classification

Expanded and Filtered Features Based ELM Model for Thyroid Disease Classification

Hipotiroidi Hastalığı Teşhisinde Sınıflandırma Algoritmalarının Kullanımı

Computer-Aided Diagnosis of Thyroid Dysfunction: A Survey

Contact Info

Product

Resources

About