基于混合蚁群-蝴蝶优化特征选择的多囊卵巢综合征预测模型研究

《Scientific Reports》：Stability-aware hybrid optimisation-based feature selection and stacking classification for PCOS prediction

　　

摘要

多囊卵巢综合征（PCOS）是全球育龄女性中最常见的内分泌疾病之一。据估计，全球约有6%–13%的女性受到影响，其中相当大比例的患者由于该病的异质性而未被诊断。PCOS发病率升高与生活方式转变、代谢压力以及激素失衡直接相关。PCOS还与不孕症、代谢问题及心血管风险等长期健康问题相关。机器学习提供了数据驱动的方法，可从临床及相关患者特征中识别与PCOS相关的模式。此类方法通过识别信息丰富的特征并将其组合以区分PCOS与非PCOS病例，可能支持预测建模。因此，特征选择被用于确定输入变量的紧凑且稳定的子集，旨在提高预测性能和模型可靠性。本研究提出了一种混合优化方法，用于选择用于PCOS预测的紧凑且稳定的特征子集。首先，实现了集成包裹方法，随后考察了多种混合优化策略的组合，并以蚁群优化-蝴蝶优化（ACOBO）技术作为最终方案。此外，利用基于排序的Spearman和Kendall相关性以及基于分布的Jensen-Shannon散度，并通过10折交叉验证，检验了特征选择方法的鲁棒性——即算法在同一数据集上多次运行或经过微小修改后的一致性问题。此外，还采用了合成少数类过采样技术（SMOTE）来解决类别不平衡问题。最后，在固定其余候选分类器作为基学习器的条件下，通过改变元分类器评估了多种集成堆叠配置。在所评估的配置中，以AdaBoost作为元分类器的堆叠模型取得了最高的准确率，达到95.64%。