Selection of Features Using Adaptive Tunicate Swarm Algorithm with Optimized Deep Learning Model for Thyroid Disease Classification
Notice bibliographique
Résumé
Thyroid is on the rise all across the world in modern times.The prevalence of thyroid disease in India is notably high, reaching 1 in 10.Due to the general public's lack of knowledge, the situation with that illness is fast deteriorating.Early diagnosis is crucial so that medical professionals can administer effective treatment before the condition worsens.This is especially true when using deep learning (DL) to predict sickness.One of DL's strengths is its ability to predict how a disease will progress in the future.Once more, several feature selection procedures have benefited in the process of disease prediction and assumption.The most common types of hypothyroidism in this study, we make an effort to predict the initial stage of thyroid development.To achieve this goal, the research has relied heavily on the feature selection strategy in addition to several different categorization methods.Each iteration of the projected adaptive tunicate swarm optimisation (ATSA) consists of two primary phases: searching all over the search space using an arbitrarily picked tunicate and refining the search using the position of the finest tunicate.By making this adjustment, the procedure is better able to explore its environment while simultaneously being protected from the dangers of a sudden convergence.Additionally, a deep convolutional neural network (DeepCNN) is used for disease identification, and the Grey Wolf Optimizer (GWO) is used for its training.Both could be associated more accurately.We were able to improve the suggested model's accuracy to 95% after tweaking the dataset, with 92% specificity.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».