在现代时代,医学领域正在见证诊断方法到治疗方法的巨大增长,并且没有在适当的时间到达前线的大量信息阻碍了正确选择最佳治疗线的能力. 关于诊断方法和各种治疗方案的信息可用性的爆炸式增长需要一些健全的计算框架,以最佳地使用特定于患者的诊断以及合适的治疗,其中一个这样的计算框架是人工智能(深度学习) ,它在计算机的帮助下执行任务,通常需要人类智能,例如图像处理、语音识别、音频和/或视觉感知、翻译和决策。 人工智能的最新发展提供了这样一个平台来处理、编译、分析和解释大量数据,以使医生能够将重点从患者特定治疗的诊断和识别转移到实际的患者护理上。 在本文中,我们通过首先基于训练数据集训练模型,然后使用模型预测疾病的存在,提出了一种使用人工神经网络 (ANN) 进行甲状腺疾病 (TD) 诊断的有效且高效的诊断系统。 我们比较了三种不同方法的预测结果,即多重回归、随机森林(用于分类的集成学习方法)和人工神经网络(深度学习)。 当将准确度结果与预测结果进行比较时,与其他两种方法相比,ANN 提供了最高的准确度。 ANN、随机森林和多元回归的测试数据集的准确率预测分别为98.22%、22.46%和2.42%。 鉴于彻底的设计和问题表述,强大的计算框架(例如人工神经网络)可以帮助制定特定问题的决策,因为与其他传统模型相比,它可以产生非常准确的预测结果。 本文中描述的未来范围概述了潜在的研究领域和集成人工神经网络的可能性,以提供针对患者的个性化诊断和可行和最佳的治疗方案,从而最大限度地降低风险和恢复时间。