优化机器学习用于早期检测女性多囊卵巢综合征
Bharti Panjwani1, Jyoti Yadav2, Vijay Mohan3
1Department of Computer Science & Engineering, Shri Madhwa Vadiraja Institute of Technology and Management, Bantakal 574115, Karnataka, India.
Sensors (Basel, Switzerland)
|February 26, 2025
概括
这项研究引入了一种机器学习模型,用于使用症状进行多囊卵巢综合征 (PCOS) 早期诊断. 海优化集体学习 (WaOEL) 模型实现了92.8%的准确性,可以在没有昂贵的测试的情况下更早检测.
科学领域:
- 医疗保健中的人工智能
- 机器学习用于医学诊断
- 内分泌学和生殖健康研究
背景情况:
- 多囊卵巢综合征 (PCOS) 影响全球数百万人,但70%的病例仍未被诊断出,原因是认识不足和测试成本高.
- 早期诊断PCOS对于及时干预至关重要,防止长期的健康并发症和并发症.
研究的目的:
- 设计一个专家机器学习 (ML) 模型,用于早期诊断PCOS,使用初始症状和健康指标.
- 开发一种具有成本效益的诊断工具,可以绕过昂贵的实验室测试.
主要方法:
- 将两个数据集合并并预处理为一个12个属性的症状数据集.
- 开发一个集体学习 (EL) 模型,包含七个基本分类器和一个深度学习 (DL) 元分类器.
- 使用Walrus优化 (WaO),Cuckoo搜索优化 (CSO) 和随机搜索优化 (RSO) 优化EL超参数的优化,创建WaOEL,CSOEL和RSOEL模型.
主要成果:
- 拟议的Walrus Optimization Ensemble Learning (WaOEL) 模型表现出卓越的性能,达到92.8%的PCOS预测准确度和0.93.9%的曲线下面面积 (AUC).
- 使用随机森林 (RF) 和SHAP的特征重要性分析确定了肥胖和高胆固醇作为PCOS的重要指标.
- 该模型有效地使用现有的临床数据预测PCOS,突出了早期识别的潜力.
结论:
- 早期诊断PCOS是可行的使用开发WaOEL模型,这依赖于最初的症状和健康指标.
- WaOEL模型为传统的诊断方法提供了具有成本效益的替代方案,帮助临床医生和患者做出明智的决策.
- 及时识别PCOS可以减轻长期的健康风险,改善患者的治疗结果.
