基于SFS与Boruta特征选择结合可解释人工智能的PCOS机器学习预测模型研究

　　来自某研究团队的研究人员针对多囊卵巢综合征（PCOS）诊断复杂性高的问题，开展了结合投票集成模型与SFS、Boruta特征选择方法的机器学习研究，并引入SHAP、LIME等XAI技术提升模型可解释性。结果表明，基于SFS特征选择的投票集成分类器准确率最优，为PCOS早期筛查提供了可靠的辅助诊断工具。

　　

多囊卵巢综合征（Polycystic Ovary Syndrome, PCOS）作为一种复杂的内分泌疾病，广泛影响育龄期女性，其临床表现和生化特征具有高度异质性，导致准确分类与诊断面临重大挑战。本研究提出一种融合投票集成（voting ensemble）模型与两种特征选择方法——序列前向选择（Sequential Forward Selection, SFS）和Boruta算法的机器学习框架，显著提升了PCOS的分类精度。研究同时采用多种可解释人工智能（Explainable AI, XAI）技术，包括沙普利加和解释（Shapley Additive Explanations, SHAP）、局部可解释模型无关解释（Local Interpretable Model-agnostic Explanations, LIME）、偏依赖图（Partial Dependence Plot, PDP）、AnchorTabular 以及置换重要性（Permutation Importance），以增强集成模型的透明性与可解释性，明确关键预测特征的实际贡献。实验结果显示，所提出的投票集成分类器配合SFS特征选择在所有模型中表现最优，该框架有望辅助临床进行PCOS诊断并推动早期干预策略的实施。