使用SFS和Boruta特征选择的机器学习预测多囊卵巢综合征:一种可解释的AI方法
1Department of Computer Science and Engineering, Visvesvaraya National Institute of Technology, Nagpur, India.
Systems biology in reproductive medicine
|September 21, 2025
概括
这项研究引入了一种机器学习框架,以改善多囊性卵巢综合征 (PCOS) 诊断. 改进的模型使用集体学习和特征选择准确地分类PCOS,有助于早期干预.
科学领域:
- 内分泌学 在内分泌学.
- 医疗信息学 医疗信息学
- 人工智能的人工智能
背景情况:
- 多囊卵巢综合征 (PCOS) 是一种复杂的内分泌疾病,影响生育年龄的女性.
- 由于其异质的临床和生化特征,PCOS诊断具有挑战性.
研究的目的:
- 为准确的PCOS分类开发一个强大的机器学习框架.
- 通过组合模型和高级特征选择来提高诊断准确性.
主要方法:
- 实现了一种投票组合模型,结合了顺序前置选择 (SFS) 和Boruta来进行特征选择.
- 利用可解释人工智能 (XAI) 技术,如SHAP,LIME,PDP,AnchorTabular和 Permutation 对于模型可解释性的重要性.
主要成果:
- 拟议的集体学习模型,特别是具有SFS选择的特征,在PCOS分类中实现了最佳性能和最高准确性.
- XAI方法为预测PCOS的特征的重要性提供了关键的见解.
结论:
- 开发的机器学习框架为改善PCOS诊断提供了一个有希望的方法.
- 这种方法支持多囊卵巢综合征妇女的早期干预策略.
