优化了多囊性卵巢疾病的预后和分类,使用基于人工智能的计算方法对多模式数据进行了计算.

科学领域:

• 内分泌学 在内分泌学.
• 医疗信息学 医疗信息学
• 医疗保健中的机器学习

背景情况:

• 多囊卵巢综合征 (PCOS) 是一种普遍存在的内分泌疾病,影响生殖年龄的女性.
• 复合性卵巢综合症是不孕症的重要原因,并与流产,心脏问题,糖尿病和子宫癌的风险增加有关.
• 目前PCOS的诊断方法是耗时的,昂贵的,并且由于症状呈现的多样性而复杂.

研究的目的:

• 开发和评估用于早期诊断和分类多囊性卵巢综合征 (PCOS) 的机器学习模型.
• 分析临床特征和超声波图像,以提高PCOS检测准确度.
• 为了减少与PCOS识别相关的诊断挑战和财务负担.

主要方法:

• 临床数据集分析:使用基于关联的方法的特征提取将45个特征减少到17个,应用于后勤回归,天真贝叶斯和支持向量机 (SVM) 模型.
• 超声波图像分析:使用卷积神经网络 (CNN) 和VGG16转移学习算法来分析3856张超声波图像.
• 性能评估:指标包括准确性,精度,回忆,临床数据模型的F1分数和图像分析模型的培训/验证准确性/损失.

主要成果:

• 支持矢量机 (SVM) 模型在从临床数据中分类PCOS方面表现出很高的性能,达到94.44%的准确性.
• 在分析超声波图像方面,VGG16转移学习模型显著优于CNN模型,达到98.29%的验证准确度.
• 临床数据分析和超声波图像分析都显示了早期PCOS检测的有希望的结果.

结论:

• 机器学习方法,特别是临床数据的SVM和超声波成像的VGG16,为早期和准确的PCOS诊断提供了有效的工具.
• 这些计算方法有可能通过及时干预来简化诊断过程,降低成本,改善患者的治疗结果.
• 这些模型需要进一步的研究和验证,以便在PCOS管理中临床实施.