11、基于机器学习算法的女性多囊卵巢综合征（PCOS）和多囊卵巢疾病（PCOD）预测

基于机器学习算法的女性多囊卵巢综合征（PCOS）和多囊卵巢疾病（PCOD）预测

1. 研究背景与相关研究

PCOS和PCOD是影响女性健康的常见疾病，可能导致患者面临精神障碍风险。许多研究人员运用不同的机器学习算法对其进行预测和研究。例如，M. J. Lakshmi等人使用集成随机森林（Ensemble RF）、额外树（Extra tree）、自适应提升（Adaptive Boosting）等学习算法，其中ERF方法获得了98.89%的最高准确率。Sivinani Agarwal和Kavitha Pandey考虑了八个参数并结合机器学习算法，以推断PCOS患者的相关疾病结果。Akanksha Tawar等人则使用随机森林等机器学习算法，基于41个临床属性来预测女性的PCOS。

以下是部分相关研究的对比表格：
|作者|使用的数据集|研究目标|使用方法|结果|
| ---- | ---- | ---- | ---- | ---- |
|Malik mubasher Hassan和Tabasum Mirza|7个参数|预测女性PCOS|支持向量机（SVM）、随机森林、分类与回归树（CART）、朴素贝叶斯分类、逻辑回归|随机森林算法诊断PCOS的准确率为96%|
|Subrato Bharati等人|43个参数|使用机器学习技术诊断PCOD|梯度提升、随机森林、逻辑回归、RFLR|使用RFLR检测PCOS的准确率为91.01%|
|Xinyi Zhang等人|100名女性|结合卵泡液和血浆光谱学与机器学习算法研究PCOS|随机森林、k近邻、极端梯度提升|极端梯度提升算法的最高准确率为89.32%|
|Amsy Denny等人|23个属性|早期检测P