DOI: https://doi.org/10.35940/ijitee.a8344.15040326
تاريخ النشر: 2026-03-28
المؤلف: Fatima Khan Sarguroh وآخرون
الموضوع الرئيسي: الذكاء الاصطناعي في الرعاية الصحية
نظرة عامة
تتناول هذه الدراسة تحدي الكشف المبكر عن متلازمة المبيض المتعدد الكيسات (PCOS)، وهو اضطراب هرموني شائع لدى النساء، وغالبًا ما يكون من الصعب تشخيصه بسبب الأعراض المتنوعة وقيود الطرق التقليدية. يقترح المؤلفون نموذجًا هجينًا للتعلم الآلي يستخدم البيانات السريرية والهرمونية من مجموعة بيانات تحتوي على 541 سجل مريض. شملت تقنيات المعالجة المسبقة الرئيسية K-Nearest Neighbour (KNN) لملء القيم المفقودة، واختيار الميزات عبر المعلومات المتبادلة، وتوازن الفئات باستخدام SMOTE لمعالجة عدم توازن البيانات.
أظهر النموذج الهجين، الذي يستخدم آلية تصويت ناعمة موزونة تجمع بين Gaussian Naïve Bayes، والانحدار اللوجستي، وغابة عشوائية، أداءً متفوقًا مقارنة بالنماذج الفردية، محققًا دقة بنسبة 92.66%، واسترجاع بنسبة 91.67%، ودرجة F1 بنسبة 89.19%. قلل النموذج بشكل فعال من النتائج السلبية الكاذبة، وهو أمر حاسم للتدخل الطبي في الوقت المناسب. تشير النتائج إلى أن التعلم الجماعي يعزز موثوقية التشخيص، مما يضع أساسًا قويًا للبحوث المستقبلية التي تهدف إلى دمج تحليل صور الموجات فوق الصوتية في إطار كشف متعدد الوسائط لمتلازمة المبيض المتعدد الكيسات.
طرق
في هذا القسم، يناقش المؤلفون تطبيق التعلم العميق، وخاصة الشبكات العصبية التلافيفية (CNNs)، في تشخيص متلازمة المبيض المتعدد الكيسات (PCOS) من خلال تصوير الموجات فوق الصوتية. بينما تحدد الشبكات العصبية التلافيفية أنماطًا بصرية تتعلق بشكل المبيض وتوزيع الجريبات، فإن اعتمادها على مجموعات بيانات موسومة واسعة وموارد حسابية عالية يحد من قابليتها السريرية. بالإضافة إلى ذلك، غالبًا ما تتجاهل هذه الطرق المعتمدة على الصور المؤشرات الهرمونية والسريرية الحيوية اللازمة لتشخيص شامل لمتلازمة المبيض المتعدد الكيسات.
لمعالجة هذه القيود، تقدم الدراسة إطار عمل هجين للتعلم الآلي يدمج البيانات السريرية والهرمونية للكشف المبكر عن متلازمة المبيض المتعدد الكيسات. تشمل المنهجية معالجة البيانات، واختيار الميزات، وتوازن الفئات، وتدريب النموذج، والتعلم الجماعي الهجين، مع ضمان فصل مجموعات بيانات التدريب والاختبار لمنع تسرب البيانات. تشير النتائج إلى أن هذا النهج الهجين يتفوق على نماذج التعلم الآلي الفردية من حيث الاستقرار والموثوقية عبر مقاييس التقييم المختلفة، مما يعزز الدقة مع الحفاظ على استرجاع مرتفع، كما يتضح من مصفوفة الالتباس المقدمة في الدراسة.
نقاش
تقدم الورقة البحثية إطار عمل هجين للتعلم الآلي مصمم للتشخيص السريري لمتلازمة المبيض المتعدد الكيسات (PCOS). يؤكد المؤلفون، فاطمة خان سارغوروه وسريفارامانغاي R، على مزايا دمج طرق التعلم الآلي المختلفة لتعزيز دقة التشخيص واستقراره مقارنة بالنهج أحادي النموذج. يدمج النموذج الهجين البيانات السريرية والهرمونية لتحديد متلازمة المبيض المتعدد الكيسات، مما يضع الأساس لإطار كشف من مرحلتين، حيث تركز الدراسة الحالية على النمذجة الهجينة، وسيتم دمج تحليل صور الموجات فوق الصوتية المعتمد على التعلم العميق في العمل المستقبلي لإطار دمج متعدد الوسائط.
يسلط النقاش الضوء على فعالية مصنفات التعلم الآلي المختلفة، كاشفًا أن Gaussian Naïve Bayes حقق أعلى استرجاع، وهو أمر حاسم لتقليل النتائج السلبية الكاذبة في التشخيصات الطبية. أظهر الانحدار اللوجستي وآلات الدعم الناقل أداءً مشابهًا بسبب القابلية الخطية لفصل مجموعة البيانات المعالجة، بينما تمكنت الغابة العشوائية من التقاط العلاقات غير الخطية بشكل فعال. حقق النموذج الهجين، الذي يجمع بين Gaussian Naïve Bayes، والانحدار اللوجستي، والغابة العشوائية باستخدام آلية تصويت ناعمة موزونة، دقة بنسبة 92.66%، واسترجاع بنسبة 91.67%، ودرجة F1 بنسبة 89.19%. لم يتفوق هذا النموذج فقط على المصنفات الفردية، بل أظهر أيضًا عددًا أقل من النتائج السلبية الكاذبة، مما يشير إلى إمكانيته كأداة موثوقة لدعم القرار السريري في تشخيص متلازمة المبيض المتعدد الكيسات. يهدف العمل المستقبلي إلى تعزيز هذا الإطار من خلال دمج تحليل صور الموجات فوق الصوتية، مما يحسن الأداء التشخيصي بشكل أكبر.
DOI: https://doi.org/10.35940/ijitee.a8344.15040326
Publication Date: 2026-03-28
Author(s): Fatima Khan Sarguroh et al.
Primary Topic: Artificial Intelligence in Healthcare
Overview
This study addresses the challenge of early detection of Polycystic Ovary Syndrome (PCOS), a prevalent hormonal disorder in women, which is often difficult to diagnose due to diverse symptoms and limitations of conventional methods. The authors propose a hybrid machine learning model that utilizes clinical and hormonal data from a dataset of 541 patient records. Key preprocessing techniques included K-Nearest Neighbour (KNN) for imputing missing values, feature selection via Mutual Information, and class balancing using SMOTE to address data imbalance.
The hybrid model, which employs a weighted soft-voting mechanism combining Gaussian Naïve Bayes, Logistic Regression, and Random Forest, demonstrated superior performance compared to individual models, achieving an accuracy of 92.66%, a recall of 91.67%, and an F1 score of 89.19%. The model effectively reduced false negatives, which is crucial for timely medical intervention. The findings suggest that ensemble learning enhances diagnostic reliability, laying a robust foundation for future research that aims to integrate ultrasound image analysis into a multi-modal detection framework for PCOS.
Methods
In this section, the authors discuss the application of deep learning, particularly Convolutional Neural Networks (CNNs), in diagnosing Polycystic Ovary Syndrome (PCOS) through ultrasound imaging. While CNNs effectively identify visual patterns related to ovarian morphology and follicle distribution, their reliance on extensive labeled datasets and high computational resources limits their clinical applicability. Additionally, these image-based methods often overlook critical hormonal and clinical indicators necessary for a comprehensive PCOS diagnosis.
To address these limitations, the study introduces a hybrid machine-learning framework that integrates clinical and hormonal data for early PCOS detection. The methodology encompasses data preprocessing, feature selection, class balancing, model training, and hybrid ensemble learning, ensuring separation of training and testing datasets to prevent data leakage. The results indicate that this hybrid approach outperforms individual machine learning models in stability and reliability across various evaluation metrics, particularly enhancing precision while maintaining high recall, as evidenced by the confusion matrix presented in the study.
Discussion
The research paper presents a hybrid machine learning framework designed for the clinical diagnosis of Polycystic Ovary Syndrome (PCOS). The authors, Fatima Khan Sarguroh and Srivaramangai R, emphasize the advantages of combining various machine learning methods to enhance diagnostic accuracy and stability compared to single-model approaches. The hybrid model integrates clinical and hormonal data to identify PCOS, laying the groundwork for a two-stage detection framework, where the current study focuses on hybrid modeling, and future work will incorporate deep learning-based ultrasound image analysis for a multimodal fusion framework.
The discussion highlights the effectiveness of different machine learning classifiers, revealing that Gaussian Naïve Bayes achieved the highest recall, crucial for minimizing false negatives in medical diagnoses. Logistic Regression and Support Vector Machines demonstrated similar performance due to the linear separability of the processed dataset, while Random Forest effectively captured non-linear relationships. The hybrid model, which combines Gaussian Naïve Bayes, Logistic Regression, and Random Forest using a weighted soft-voting mechanism, achieved an accuracy of 92.66%, a recall of 91.67%, and an F1 score of 89.19%. This model not only outperformed individual classifiers but also showed fewer false negatives, indicating its potential as a reliable tool for clinical decision support in PCOS diagnosis. Future work aims to enhance this framework by integrating ultrasound imaging analysis, further improving diagnostic performance.