Thyroid disease detection using enhanced extreme learning machine based on drop-connect method

Aisha Riaz

doi:10.1038/s41598-026-45993-1

Thyroid disease detection using enhanced extreme learning machine based on drop-connect method

2026-05-20

0

OA

AI

DOI：10.1038/s41598-026-45993-1

原文链接

查看原文

摘要

En 中文

甲状腺问题的长期生理效应使其成为最重要的一类内分泌疾病之一。尽管已提出多种机器学习和深度学习技术用于甲状腺疾病的早期检测，但仍难以实现可靠且临床准确的多元分类诊断性能。本研究提出了一种增强型极限学习机（EELM），采用Drop-Connect正则化来增强泛化能力并减少传统ELM模型中常见的过拟合现象。所提框架的流程包括七个步骤：数据预处理、模型构建、训练和评估。为模拟临床相关的诊断场景，该模型在一个统一的四类甲状腺分类任务（甲状腺功能减退、甲状腺功能亢进、病态正常甲状腺功能和正常）上进行了评估。所提EELM在10折交叉验证下展示了稳定可靠的多元分类性能，平均准确率约为82%。在比较的二分类研究中（如甲状腺功能减退与正常），模型最高准确率达到99.89%，表明对某些甲状腺疾病的更好区分。采用准确率、精确率、召回率、特异度、敏感度、F1分数、ROC曲线和AUC指标进行性能评估。通过ANOVA和配对t检验对所提方法进行了统计验证，以确认其鲁棒性和显著性。配对t检验和ANOVA的统计验证（p < 0.05）证实了较基线模型的显著改进。总体而言，研究结果证实所提EELM提供了一种临床适用、统计支持且计算高效的方法，用于甲状腺疾病的分类。

Keyword:

Thyroid disease detection

Enhanced Extreme Learning Machine

Drop-Connect regularization

Multi-class classification

Machine learning

Thyroid disease detection using enhanced extreme learning machine based on drop-connect method

摘要

AI总结

期刊

机构

引用论文