智能扫描PCOS:一种以功能为导向的方法,用于使用机器学习和可解释的人工智能对多囊性卵巢综合征的尖端预测
Umaa Mahesswari G1, Uma Maheswari P1
1Department of Computer Science and Engineering, College of Engineering Guindy, Anna University, Chennai, 600025, Tamil Nadu, India.
Heliyon
|November 4, 2024
概括
这项研究介绍了一种可解释的人工智能 (XAI) 智能预测对多囊卵巢综合征 (PCOS) 的智能预测器. 人工智能模型在预测PCOS方面达到99%以上的准确性,为诊断这种复杂的生殖健康状况提供了一个有前途的工具.
科学领域:
- 生殖健康 生殖健康
- 人工智能在医学中的应用
- 机器学习用于诊断.
背景情况:
- 多囊性卵巢综合征 (PCOS) 由于多种症状,如高雄性和无排卵, presents 诊断挑战.
- 目前用于PCOS的诊断方法通常需要多个临床测试.
- 人工智能 (AI) 具有提高医疗保健效率和患者治疗成果的潜力.
研究的目的:
- 开发和评估可解释的人工智能 (XAI) 驱动的多囊卵巢综合征 (PCOS) 智能预测器.
- 确定最佳特征选择方法,以准确预测PCOS.
- 确保人工智能驱动的医学诊断的透明度和可靠性.
主要方法:
- 开发了一个由两个随机森林分类器组成的等级组合,并与七个常规和两个堆叠组合分类器进行了比较.
- 三种特征选择方法 (TOPCA,OSSM,TOMIM) 进行了微调,以确定PCOS预测的基本特征.
- 最终的模型是使用Shapash实现的,Shapash是一个可解释的AI Python库,用于透明度的可视化.
主要成果:
- 两级随机森林分类器使用值驱动的优化相互信息方法 (TOMIM) 识别的前17个特征实现了99.31%的高精度.
- 通过对25次运行进行8倍交叉验证,获得了99.32%的整体准确性.
- 对于所有评估的分类器,XAI方法在预测过程中提供了透明度.
结论:
- 开发的XAI驱动的PCOS智能预测器在诊断多囊卵巢综合征方面表现出高准确性和可靠性.
- 可解释的人工智能技术提高了对复杂的生殖健康状况的人工智能应用的信任和理解.
- 这种方法在利用人工智能实现高效准确的PCOS诊断方面取得了重大进展.
