通过超声波和临床特征进行非侵入性PCOS诊断的机器学习方法

科学领域:

• 生物医学信息学 生物医学信息学
• 医疗保健中的人工智能
• 妇女健康诊断 妇女健康诊断

背景情况:

• 多囊性卵巢综合征 (PCOS) 诊断可能是复杂和耗时的.
• 现有的诊断方法可能缺乏效率或侵入性.
• 机器学习 (ML) 提供了提高诊断准确性和速度的潜力.

研究的目的:

• 评估ML算法,以准确和快速的PCOS诊断.
• 为了确定PCOS预测的最佳特征组合.
• 评估ML模型在诊断PCOS中的临床适用性.

主要方法:

• 与多个ML算法进行比较,包括XGBoost,ANN,SVM,LR和KNN.
• 使用临床,生化和超声波 (USG) 数据,根据鹿特丹标准进行结构化.
• 员工选择KBest用于特征选择和SHAP分析特征的重要性.

主要成果:

• XGBoost 在其他车型中表现出卓越的性能.
• 结合临床和USG数据的模型实现了高精度 (AUC=0.9852).
• 最重要的特征包括毛囊数量,AMH,体重增加和荷尔蒙指标.

结论:

• ML,特别是XGBoost,可以显著提高PCOS诊断的准确性和效率.
• 结合临床和超声数据,提供了强大的,非侵入性的诊断方法.
• 机器学习工具可以简化工作流程,并支持早期PCOS干预.