基于Drop-Connect方法的增强型极限学习机在甲状腺疾病检测中的应用

《Scientific Reports》：Thyroid disease detection using enhanced extreme learning machine based on drop-connect method

　　

摘要

甲状腺问题的长期生理影响使其成为最重要的内分泌疾病之一。尽管已经提出了许多机器学习和深度学习技术用于甲状腺疾病的早期检测，但仍然难以实现可靠且临床准确的多类诊断性能。在这项工作中，我们提出了一种改进的极端学习机（EELM），该模型采用Drop-Connect正则化方法来增强泛化能力并减少传统ELM模型中常见的过拟合现象。所提出的框架包括七个步骤：数据预处理、模型构建、训练和评估。为了模拟具有临床意义的诊断场景，该模型在一个统一的四类甲状腺分类任务（甲状腺功能减退症、甲状腺功能亢进症、亚临床甲状腺功能正常和正常）上进行了评估。实验表明，EELM在10折交叉验证下的平均准确率约为82%，表现出稳定且可靠的多类诊断性能。在二元分类研究（例如甲状腺功能减退症与正常）中，该模型的准确率达到了99.89%，显示出对某些甲状腺疾病的更好区分能力。我们使用准确率、精确度、召回率、特异性、敏感性、F1分数、ROC曲线和AUC等指标来评估模型性能。通过ANOVA和配对t检验从统计学上验证了所提出方法的稳健性和显著性。统计验证结果（p < 0.05）证实了该方法相较于基线模型有显著改进。总体而言，研究结果表明，所提出的EELM是一种具有临床应用价值、统计支持且计算效率高的甲状腺疾病分类方法。