Thyroid Disease Prediction Using Selective Features and Machine Learning Techniques

特征选择 人工智能 机器学习 随机森林 计算机科学 二元分类 分类器(UML) 特征工程 特征(语言学) 甲状腺炎 甲状腺疾病 模式识别(心理学) 支持向量机 疾病 甲状腺 深度学习 医学 病理 语言学 哲学 内科学
作者
Rajasekhar Chaganti,Furqan Rustam,Isabel de la Torre Díez,Juan Luís Vidal Mazón,Carmen Lili Rodríguez,Imran Ashraf
出处
期刊:Cancers [MDPI AG]
卷期号:14 (16): 3914-3914 被引量:55
标识
DOI:10.3390/cancers14163914
摘要

Thyroid disease prediction has emerged as an important task recently. Despite existing approaches for its diagnosis, often the target is binary classification, the used datasets are small-sized and results are not validated either. Predominantly, existing approaches focus on model optimization and the feature engineering part is less investigated. To overcome these limitations, this study presents an approach that investigates feature engineering for machine learning and deep learning models. Forward feature selection, backward feature elimination, bidirectional feature elimination, and machine learning-based feature selection using extra tree classifiers are adopted. The proposed approach can predict Hashimoto's thyroiditis (primary hypothyroid), binding protein (increased binding protein), autoimmune thyroiditis (compensated hypothyroid), and non-thyroidal syndrome (NTIS) (concurrent non-thyroidal illness). Extensive experiments show that the extra tree classifier-based selected feature yields the best results with 0.99 accuracy and an F1 score when used with the random forest classifier. Results suggest that the machine learning models are a better choice for thyroid disease detection regarding the provided accuracy and the computational complexity. K-fold cross-validation and performance comparison with existing studies corroborate the superior performance of the proposed approach.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
刚刚
1秒前
1秒前
1秒前
1秒前
Lewis发布了新的文献求助20
2秒前
danti发布了新的文献求助10
2秒前
完美世界应助liuxshan采纳,获得10
2秒前
英俊的铭应助晓湫采纳,获得10
2秒前
3秒前
852应助南城采纳,获得10
3秒前
3秒前
不靠谱发布了新的文献求助20
4秒前
4秒前
hehe23he发布了新的文献求助10
5秒前
可爱的函函应助Fisheep采纳,获得10
6秒前
hoozhwen发布了新的文献求助10
7秒前
王仙人发布了新的文献求助10
7秒前
DD完成签到,获得积分10
8秒前
Tache发布了新的文献求助10
8秒前
6789发布了新的文献求助10
9秒前
花海完成签到,获得积分10
9秒前
10秒前
11秒前
cuicuisha完成签到,获得积分10
11秒前
彭于彦祖应助龚广山采纳,获得50
11秒前
嘤嘤怪应助sjj采纳,获得10
12秒前
13秒前
13秒前
14秒前
wanci应助王仙人采纳,获得10
15秒前
wsx完成签到,获得积分20
16秒前
买瓜吗发布了新的文献求助10
16秒前
要减肥的罡完成签到 ,获得积分10
16秒前
17秒前
Smith.w发布了新的文献求助10
18秒前
19秒前
19秒前
TL完成签到,获得积分10
19秒前
hehe23he完成签到,获得积分10
20秒前
高分求助中
The late Devonian Standard Conodont Zonation 2000
Nickel superalloy market size, share, growth, trends, and forecast 2023-2030 2000
The Lali Section: An Excellent Reference Section for Upper - Devonian in South China 1500
Smart but Scattered: The Revolutionary Executive Skills Approach to Helping Kids Reach Their Potential (第二版) 1000
Very-high-order BVD Schemes Using β-variable THINC Method 830
Mantiden: Faszinierende Lauerjäger Faszinierende Lauerjäger 800
PraxisRatgeber: Mantiden: Faszinierende Lauerjäger 800
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3247247
求助须知:如何正确求助?哪些是违规求助? 2890639
关于积分的说明 8264046
捐赠科研通 2559077
什么是DOI,文献DOI怎么找? 1387740
科研通“疑难数据库(出版商)”最低求助积分说明 650640
邀请新用户注册赠送积分活动 627321