Investigation of Polycystic Ovary Syndrome (PCOS) Diagnosis Using Machine Learning Approaches

Sintesi Tecnica: Investigazione della Diagnosi della Sindrome dell'Ovaio Policistico (PCOS) mediante Approcci di Machine Learning

Definizione del Problema
La Sindrome dell'Ovaio Policistico (PCOS) è un disturbo endocrino prevalente che colpisce il 5–10% delle donne in età riproduttiva, caratterizzato da squilibri ormonali, anovulazione e presenza di cisti ovariche. Essa porta a gravi complicazioni, tra cui infertilità, disturbi metabolici e un aumento del rischio di tumori ginecologici. La diagnosi tradizionale si basa su una combinazione di anamnesi clinica, esami fisici e test di laboratorio, che sono spesso dispendiosi in termini di risorse, tempo e costi. Sebbene il Machine Learning (ML) abbia mostrato risultati promettenti nella diagnostica medica, rimane la necessità di approcci robusti e basati sui dati che minimizzino i requisiti di pre-elaborazione e utilizzino efficacemente la selezione delle caratteristiche (feature selection) per migliorare il rilevamento precoce e la cura preventiva, allineandosi con gli obiettivi dell'Industria 5.0.

Metodologia
Lo studio impiega un framework completo basato sui dati che utilizza un dataset pubblicamente disponibile di 541 pazienti provenienti da dieci strutture mediche nel Kerala, India. Il dataset contiene 43 caratteristiche fisiche e cliniche con un attributo target binario (presenza o assenza di PCOS). La pipeline metodologica include:

1. Pre-elaborazione dei Dati:

   • Imputazione: I valori mancanti sono stati gestiti tramite imputazione lineare, sostituendo i valori nulli con le medie delle colonne.
   • Normalizzazione: È stata applicata la normalizzazione Min-Max per scalare tutte le caratteristiche in un intervallo compreso tra 0 e 1.
   • Campionamento: Per mitigare lo squilibrio delle classi, gli autori hanno impiegato sia il Random Undersampling (rimozione delle istanze della classe maggioritaria) sia la Synthetic Minority Over-sampling Technique (SMOTE) per generare campioni sintetici della classe minoritaria.
   • Suddivisione: Il dataset bilanciato è stato suddiviso in set di addestramento (70%), validazione (15%) e test (15%).

2. Selezione delle Caratteristiche (Feature Selection):
   Sono state valutate quattro diverse strategie di selezione delle caratteristiche per identificare i sottoinsiemi più influenti delle 43 caratteristiche originali:

   • Importanza delle Caratteristiche tramite Random Forest (RF Feature Importance): Utilizzo dell'impurità di Gini per classificare le caratteristiche in base al loro contributo alla riduzione dell'impurità negli alberi decisionali.
   • Test Chi-Quadrato (Ch2): Utilizzato per valutare l'indipendenza tra le caratteristiche categoriche e la variabile target.
   • Massima Correlazione (Highest Correlation - HC): Identificazione delle caratteristiche con la più forte relazione lineare con il target.
   • Minima Correlazione (Least Correlation - LC): Selezione delle caratteristiche con correlazione minima per garantire la diversità del modello e ridurre la ridondanza.

3. Modelli di Machine Learning:
   Sono stati implementati e confrontati cinque algoritmi di ensemble learning:

   • Varianti di Gradient Boosting: CatBoost, Extreme Gradient Boosting (XGBoost) e Light Gradient Boosting Machine (LGBM).
   • Boosting: AdaBoost.
   • Bagging: Random Forest (RF).

4. Valutazione:
   Le prestazioni del modello sono state valutate utilizzando l'accuratezza del test (test accuracy), precision, recall, F1-score, Coefficiente di Correlazione di Matthews (MCC) e Kappa di Cohen (CK).

Risultati Chiave
Lo studio ha valutato le prestazioni dei cinque modelli ML attraverso diversi metodi di selezione delle caratteristiche e tecniche di campionamento (undersampling vs. oversampling).

• Risultati dell'Undersampling:

  • AdaBoost ha raggiunto la più alta accuratezza del test del 94,44% quando addestrato su 10 caratteristiche selezionate tramite RF Feature Importance e Highest Correlation (HC).
  • Sia CatBoost che LGBM hanno raggiunto un picco di accuratezza del 90,74% (CatBoost con 10/15 caratteristiche RF; LGBM con 15 caratteristiche RF).
  • RF ha raggiunto un massimo dell'88,89% con 15 caratteristiche selezionate tramite HC.

• Risultati dell'Oversampling:

  • CatBoost ha raggiunto la più alta accuratezza del test del 94,50% utilizzando 15 caratteristiche selezionate tramite Highest Correlation (HC).
  • RF ha ottenuto prestazioni elevate con un'accuratezza del 93,58% utilizzando 15 caratteristiche selezionate tramite RF Feature Importance.
  • LGBM e AdaBoost hanno raggiunto picchi di accuratezza rispettivamente del 93,58% e del 92,65%, sotto specifiche configurazioni di selezione delle caratteristiche.

• Impatto della Selezione delle Caratteristiche:
  I risultati hanno dimostrato costantemente che la selezione delle caratteristiche ha migliorato significativamente le prestazioni del modello. Nello specifico, i modelli che utilizzano le prime 10 caratteristiche identificate tramite RF Feature Importance hanno generalmente prodotto risultati superiori rispetto all'uso dell'intero set di caratteristiche o di altri metodi di selezione.

Significatività e Contributi
L'articolo rivendica diversi contributi chiave nel campo della diagnosi della PCOS:

1. Selezione Ottimizzata delle Caratteristiche: Lo studio identifica che la selezione di caratteristiche significative relative alla PCOS utilizzando algoritmi avanzati (specificamente RF Feature Importance) è fondamentale per migliorare l'accuratezza diagnostica.
2. Combinazione Innovativa: Introduce una combinazione unica di algoritmi di selezione delle caratteristiche e tecniche di ML che richiedono una pre-elaborazione minima, offrendo un approccio snello per la previsione della malattia.
3. Potenziale di Intervento Precoce: Dimostrando un'elevata accuratezza predittiva, l'approccio basato sui dati proposto supporta l'intervento precoce e le modifiche dello stile di vita, allineandosi agli obiettivi di assistenza sanitaria preventiva dell'Industria 5.0.
4. Processo Decisionale Basato sui Dati: Il lavoro rafforza la transizione verso metodologie basate sui dati nell'Healthcare 5.0, allontanandosi dai metodi diagnostici tradizionali esclusivamente ad alto consumo di risorse.

Limitazioni e Direzioni Future
Gli autori riconoscono alcune limitazioni, tra cui il potenziale di overfitting nonostante la cross-validazione, la mancanza di interpretabilità in alcuni modelli ensemble e i vincoli della dimensione attuale del dataset per le applicazioni di Deep Learning. Il lavoro futuro suggerito si concentra sullo sviluppo di modelli più interpretabili, sulla raccolta di dataset più ampi e diversificati e sull'integrazione della conoscenza di dominio nel processo di selezione delle caratteristiche per migliorare ulteriormente l'affidabilità e affrontare le considerazioni etiche come il bias algoritmico.