37、基于集成机器学习的甲状腺疾病预测方法

基于集成机器学习的甲状腺疾病预测方法

1. 甲状腺疾病现状与研究动机

甲状腺疾病包括甲状腺功能减退、甲状腺功能亢进和甲状腺癌等。甲状腺癌在人群中，尤其是女性中，是增长最快的癌症。而且，甲状腺疾病的一个难题是，在大多数情况下，它在早期往往未被诊断出来，或者完全未被诊断。全球约有2亿人受到各种类型甲状腺疾病的影响。

近年来，许多研究将机器学习（ML）集成到甲状腺疾病的预测中。不同的ML算法被比较以实现更高的准确性。一些研究纳入大数据进行甲状腺预测，一些关注超声数据集，还有一些关注数值数据集。但模型的性能和准确性取决于分类器模型、特征工程、数据集及其处理的复杂组合，因此需要进行广泛的研究以获得最佳性能。

早期检测甲状腺疾病对于预防并发症和改善诊断结果至关重要。因此，我们致力于研究使用ML算法进行甲状腺疾病检测，以提高准确性、减少诊断时间和特征维度，并确保更可靠的治疗选择。具体目标如下：
- 使用混合特征选择技术提高模型的整体准确性和有效性。
- 应用特征工程技术降低维度并显著提升模型性能。
- 构建一个通用的集成分类方法，利用机器学习有效预测甲状腺疾病。

2. 相关研究综述

甲状腺疾病的诊断依赖于一个综合系统，包括临床症状、体格检查和实验室测试。近年来，ML算法在甲状腺疾病诊断和检测领域受到了广泛关注。以下是一些相关研究的总结：
| 研究团队 | 数据集 | 算法 | 结果 |
| ---- | ---- | ---- | ---- |
| Chaubey等 | 包含5个特征和215个实例的新甲状腺数据集 | K近邻（KNN）、其他两种ML算法 | KNN在该数据集上最有效，准确率为