本研究致力于通过机器学习实现女性激素周期的个性化建模，包括健康人和患有生殖系统疾病的人。通过使用高斯过程回归等技术，实现对个体周期相异性的建模并预测其周期阶段。结果表明，高斯过程可以有效地用来模拟女性激素周期，并有助于更好地理解和研究女性生殖健康领域。
Nov, 2017
本研究探讨了使用各种Boosting集合方法来诊断多囊卵巢综合症，并使用各种性能指标来准确预测医疗问题是如何使用临床数据和机器学习技术解决的。
Jan, 2022
AutoPrognosis 2.0是一种基于机器学习的框架，可帮助开发优化的诊断和预测模型，并且能够提供模型可解释性工具并展示展示临床演示成果，并已在糖尿病领域成功应用，具有广泛的应用前景。
Oct, 2022
该研究旨在评估人工智能在卵巢癌诊断和预后中的应用研究，结果显示有限的研究表明所有模型存在高风险和不确定性，建议未来研究需采用更加透明全面的报告和改进性能评估，从而提高其可重复性。
Mar, 2023
使用机器学习技术可以准确预测月经周期的开始和持续时间。
Jun, 2023
通过联邦学习，我们研究了妇女内分泌学领域，以预测多囊卵巢综合征(PCOS)患者的最佳药物，解决了患者隐私保护的问题。
Aug, 2023
使用机器学习模型对胎儿健康进行分类分析，评估了不同模型的分类性能，并实施了降维技术以提高分类性能，其中 TabNet 模型在一个胎儿健康数据集上实现了 94.36% 的分类准确率。
Nov, 2023
综述了近年来基于机器学习和深度学习的卵巢癌数据分析的关键特征和人工智能保证方面，并提出需要增强模型验证以及加入AI保证的需求。
卵巢癌是女性中最常见的癌症之一。本研究提出不同的生物标志物来针对绝经前和绝经后人群，为卵巢癌的有效诊断提供新视角。引入可解释性人工智能，提高诊断系统的可信度和透明度，建立了一种可靠的混合决策支持系统，该系统的诊断准确性显著优于现有方法。
Dec, 2023
利用机器学习算法在医疗保健领域可能会放大社会不公和卫生不平等问题；本研究关注于机器学习分类算法在开发和使用过程中遇到的一些普遍性障碍，通过以弗雷明汉冠心病数据为案例，说明了如何选择概率阈值将回归模型转换为分类器，并比较了八种常用机器学习分类算法在不同训练/测试场景下的预测性能，以测试它们的普适性和可能引发的偏见问题；得到的研究结果表明，XGBoost和支持向量机在不平衡数据集上训练存在缺陷，而双重判别式为I型是最具普适性的，它在各种训练/测试场景下都始终优于其他分类算法；最后，提出了一种用于分类算法的最佳变量层次结构提取方法，并以全量数据、男性和女性的弗雷明汉心脏病数据进行了说明。
Feb, 2024