TECNOCIENCIA CHIHUAHUA, Vol. XVII (1) e 1193 (2023)

https://vocero.uach.mx/index.php/tecnociencia

ISSN-e: 2683-3360

Artículo Científico

Predicción de ovario poliquístico aplicando técnicas

de Machine Learning

Prediction of Polycystic Ovary Syndrome Applying Machine Learning

Techniques

*Correspondencia: ccanedo@uach.mx (Carlos Eduardo Cañedo Figueroa)

DOI: https://doi.org/10.54167/tch.v17i2.1193

Recibido:: 30 de marzo de 2023; Aceptado: 19 de junio de 2023

Publicado por la Universidad Autónoma de Chihuahua, a través de la Dirección de Investigación y Posgrado

Resumen

El Síndrome de Ovario Poliquístico (SOP) es una de las endocrinopatías más comunes entre las

mujeres que se encuentran en edad reproductiva. Hay estudios que exponen que esta patología

afecta entre el 3-15 % de toda la población femenina. En el presente documento se describe el uso y

la comparación de algunos algoritmos de machine learning con la finalidad de ofrecer una ventana

de oportunidad en la clasificación de datos de forma eficiente. Por lo que se utilizaron tres algoritmos

para realizar un diagnóstico del SOP contemplando 18 características extraídas de la base de datos

“PCOS Dataset” alojada en la plataforma Kaggle.com. Se diseñaron una Red Neuronal Artificial

(RNA) con un 97.5 % de F1, un algoritmo Bayesiano con un 97.6 % de F1 y un algoritmo de los K-

Vecinos más Cercanos (KNN por sus siglas en inglés) con un 100 % de F1. El análisis realizado

demostró que el algoritmo KNN clasifica los datos utilizados de forma óptima, lo que sugiere que

puede ser utilizado para obtener diagnósticos en aplicaciones de laboratorio para obtener una

evaluación complementaria.

Palabras clave: ovario poliquístico, red neuronal artificial, red Bayesiana, KNN, machine

learning.

Abstract

Polycystic Ovary Syndrome (PCOS) is one of the most common endocrinopathies among women of

reproductive age. Studies show that this pathology affects between 3-15 % of the entire female

Carlos Eduardo Cañedo Figueroa1*, Luisa Fernanda Blancarte Flores1, Wendy Sofía Guerra

Hernández1, Daniela Licea Abúndez1, Dafne Mariana Rivera Lerma1 y Brianna Tena

Holguín1

1Universidad Autónoma de Chihuahua, Facultad de Medicina y Ciencias Biomédicas. Circuito

Universitario 31109, UACH Campus II, 31125 Chihuahua, Chih. México.

Cañedo-Figueroa et.al

TECNOCIENCIA CHIHUAHUA, Vol. XVII (1) e 1193 (2023)

population. This paper describes the use and comparison of some machine learning algorithms with

the aim of offering a window of opportunity in the classification of data in an efficient way. We used

three machine learning algorithms to perform a diagnosis of the PCOS using 18 features extracted

from the “PCOS Dataset” hosted on the Kaggle.com platform. An Artificial Neural Network (ANN)

with 97.5 % F1, a Bayesian algorithm with 97.6 % F1 and a K-Nearest Neighbors (KNN) algorithm

with 100 % F1 were designed. The analysis performed showed that the KNN algorithm classifies the

data used optimally, suggesting that it can be used to obtain diagnostics in laboratory applications

to obtain a complementary evaluation.

Keywords: polycystic ovary, artificial neural network, Bayesian network, KNN, machine learning.

1. Introducción

El Síndrome de Ovario Poliquístico (SOP) es una de las endocrinopatías más comunes entre las

mujeres que se encuentran en edad reproductiva (Guadamuz-Delgado, et al., 2022). Hay estudios

que exponen que esta patología afecta entre el 3-15 % de toda la población femenina (Mubasher-

Hassan, et al., 2020). La principal causa de este trastorno es una anormalidad en los ovarios, pero

algunos agentes adicionales tales como el sobrepeso y factores ambientales pueden influir en el

desarrollo de los síntomas individuales del SOP (Aguayo-González, 2023). Actualmente se han

estado utilizando los Criterios de Rotterdam (2003) para su diagnóstico. Este trastorno es

diagnosticado si se cumplen dos de las tres condiciones que presentan estos criterios: 1)

Hiperandrogenismo clínico o bioquímico, 2) Anormalidades en la ovulación (Oligoovulación

crónica), y 3) Poliquistosis ovárica por ecografía y un volumen ovárico mayor a 10 ml (Carvajal, et

al., 2010).

Esta anomalía es un trastorno endocrino que se diagnostica después de descartar otras patologías

con síntomas similares, como pueden ser la hiperplasia suprarrenal congénita no clásica, tumores

productores de andrógenos, el síndrome de Cushing y otras formas de hiperandrogenismo. Esto

hace que su diagnóstico sea complejo, ya que existe una alta heterogeneidad de su expresión clínica,

Esto toma importancia debido a comorbilidades metabólicas y trastornos reproductivos (Mubasher

Hassan, 2020).

La evidencia sugiere que el hiperandrogenismo es el factor más determinante en la fisiopatología del

SOP, lo que se puede determinar si se observan síntomas como hipertensión, acné, menstruación

irregular y producción inmoderada de andrógenos. Cabe destacar que el SOP es una de las

principales causas de infertilidad femenina, ya que impide la correcta evolución de los folículos.

(Winnykamien et al., 2016).

Actualmente se ha reportado el uso automatizado de imágenes de ultrasonido para la detección de

SOP y hay algunos trabajos de Machine Learning (Alam-Suha et al., 2022). En este trabajo fueron

utilizados tres métodos de Machine Learning: Clasificador Bayesiano Ingenuo (NB), K-Nearest

Neighbors (KNN) y Red Neuronal Artificial (ANN). Para poder hacer uso de estos fue necesario

elegir las principales características responsables del SOP y gracias a ellas lograr crear un modelo

predictivo para la identificación del SOP con la finalidad de generar un algoritmo que sirva como

apoyo a los especialistas de salud y con ello evitar el error humano.

Cañedo-Figueroa et.al

TECNOCIENCIA CHIHUAHUA, Vol. XVII (1) e 1193 (2023)

2. Materiales y Métodos

2.1 Materiales

Para el desarrollo de este proyecto fue necesario tener acceso a la plataforma de datos que se

encuentra en la página de Kaggle.com (Moheddine, 2022). Para el desarrollo de los métodos se utilizó

una versión de Matlab con licencia de estudiante en un equipo portátil de la compañía HP con

procesador Intel Core i7 y 8 gigabytes de memoria RAM bajo el sistema operativo de Windows 11

para 64 bits.

2.2 métodos

Procesar y seleccionar correctamente los atributos más característicos del SOP fue indispensable

para obtener información fundamentada con el objetivo de ofrecer un respaldo estadístico ante un

diagnóstico realizado por un médico.

Parte de la metodología incluyó la modificación de una base de datos existente y la elaboración de

distintos algoritmos de Machine Learning: Clasificador Bayesiano Ingenuo (NB), Red Neuronal

Artificial (ANN), y el Algoritmo del Vecino más Cercano (KNN). Después de realizar los diferentes

algoritmos, con el objetivo de comprobar que los métodos aplicados fueron adecuados, se realizó un

análisis de tipo F1 Score donde se evalúa la veracidad de todos los algoritmos.

2.3 Base de datos

La base de datos (DB) utilizada fue la PCOS_Dataset (Moheddine, 2022) que contiene el

historial clínico de 541 pacientes diagnosticados con o sin SOP. Los datos son de libre uso dentro de

la plataforma Kaggle.com y tienen oculta la información sensible de los participantes. Por lo que solo

se puede tener acceso a la información de sus variables respecto al SOP y las clases a las que

corresponden. Fue necesario hacer una reorganización y filtración de los datos ya que se contaba con

varios diagnósticos y características como el grupo sanguíneo, si presentaba un embarazo, si había

practicado un aborto anteriormente y cuántos, en caso de estar en un matrimonio, cuántos años tenía,

si presentó algún aumento de peso y medidas morfológicas. Así como características de sus hábitos,

tales como la actividad física o el consumo de comida chatarra. Por lo que, DB se focalizó en 18 de 44

características, utilizando sólo aquellas que poseen información numérica distinta de valores 1 y 0 ya

que esto podría afectar el desarrollo de algoritmos. En la Tabla 1 se enlistan las 18 que fueron

utilizadas.

Si bien los datos obtenidos de DB contiene 541 registros, se utilizaron 237 registros (68 de la clase

PCOS + y 169 de la clase PCOS -), los cuales contienen las características indicadas en la Tabla 1 de

forma completa, el resto de los registros, indicaban espacios vacíos, por lo que fueron descartados.

A su vez, se dividió en cuatro partes de forma aleatoria: 65 % de la clase positiva (BDP), 65 % de la

clase negativa (BDN), el 35 % restante de la clase positiva (BDTP) y el 35 % restante de la clase

negativa (BDTN) esto para obtener datos con los cuales realizar pruebas después del entrenamiento

de los algoritmos generados.

Cañedo-Figueroa et.al

TECNOCIENCIA CHIHUAHUA, Vol. XVII (1) e 1193 (2023)

Tabla 1. Características utilizadas de la base de datos.

Table 1. Used database characteristics.

No.

Característica

Índice de Masa Corporal (BMI)

Hemoglobina

Gonadotrofina Coriónica Humana I (I β-HCG)

Gonadotropina Coriónica Humana II (II β-HCG)

Hormona Estimulante del Folículo (FSH)

Hormona Luteinizante (LH)

Relación FSH/LH

Hormona Estimulante de la Tiroides (TSH)

Hormona antimülleriana (AMH)

Prolactina (PRL)

Vitamina D3

Progesterona (PRG)

Glucosa en Sangre (RBS)

Presión Sistólica

Presión Diastólica

Cantidad de folículos en el ovario izquierdo

Cantidad de folículos en el ovario derecho

Tamaño del Endometrio

2.4 Clasificador bayesiano ingenuo

Para el desarrollo del primer algoritmo, se optó por un clasificador Bayesiano Ingenuo (NB),

mediante el cual se le asigna una etiqueta a un elemento según sus características, rasgos o

propiedades, mediante el análisis de los datos basado en la ecuación Ec. (1) del teorema de Bayes.

Ec. (1)

Donde “A” y “B” son eventos aleatorios. Siendo la probabilidad del evento “A” en el evento “B” en

términos de la distribución de la probabilidad condicional del evento “B” en el evento “A”

Cañedo-Figueroa et.al

TECNOCIENCIA CHIHUAHUA, Vol. XVII (1) e 1193 (2023)

multiplicado por la distribución de probabilidad marginal de “A” (Palomar, et al., 2017). El algoritmo

se puede describir tal cual como se muestra en la Fig. 1.

Figura 1. Diagrama de flujo del algoritmo Bayesiano.

Figure 1. Diagram of Bayesian algorithm.

Una vez realizados los cálculos se tomó en cuenta la condición que se puede observar en la Ec. (2)

para la clasificación del dato muestra, en donde Z(1) hace referencia a la probabilidad de que el

vector característico sea positivo y Z(2) a la probabilidad obtenida del vector como negativo.

Ec. (2)

La variable Clase podría quedar dentro de una de las dos clases tomando en cuenta los intervalos

calculados: si toma el valor de -positivo-, entonces, los datos ingresados provienen de un paciente con

SOP, en cambio si el resultado se encontró fuera del intervalo, los datos pertenecen a un paciente sin

SOP.

2.5 Red neuronal (ANN)

Una red neuronal artificial es el conjunto de secuencias matemáticas que pueden recibir datos a

modo de características, cuentan con una función de activación, una polarización y sus respectivos

puntos sinápticos, que al momento de ser entrenada por medio de diversos algoritmos puede

clasificar un dato muestra (García-Chavez et al., 2021).

Características

Media

Varianza

Prioriti

Muestra

Evidencia

Posteriori

Resultados

Cañedo-Figueroa et.al

TECNOCIENCIA CHIHUAHUA, Vol. XVII (1) e 1193 (2023)

La estructura de la red neuronal (ver Fig. 2) fue base para el desarrollo del siguiente algoritmo de

clasificación, se entrenó con los siguientes híper parámetros de forma experimental:

 factor de aprendizaje de 0.01,

 3,000 épocas

 5 neuronas

 Una capa oculta,

 Verificación de mínimos locales de 2,000

 Error máximo 1e-25.

Figura 2. Estructura de la Red Neuronal Artificial.

Figure 2. ANN estructure.

Para el entrenamiento de la red neuronal se utilizó el algoritmo de gradiente descendiente basado

en retro propagación utilizando BDP y BDN con las 18 características de la Tabla 1 como conjuntos

de entrenamiento.

Para poder hacer uso de la red neuronal entrenada, se utilizó la Ec. (3), considerando que Muestrai es

el vector característico por evaluar. La matriz de confusión obtenida después del entrenamiento

quedo como se muestra en el Fig. 3.

Ec. (3)

Figura 3. Matriz de confusión de la red neuronal.

Figure 3. Confusion matrix of ANN.

Cañedo-Figueroa et.al

TECNOCIENCIA CHIHUAHUA, Vol. XVII (1) e 1193 (2023)

K vecinos cercanos (KNN)

El algoritmo del vecino más cercano es una de las formas más sencillas de Machine Learning

para poder clasificar una base de datos usando un modelo de entrenamiento tomando las distancias

euclidianas entre los datos vecinos que se encuentren más cercanos; dándose a sí mismo opciones

para su propia modificación con el objetivo de reducir las limitaciones y obstáculos, así como mejorar

su precisión y aplicabilidad (Uddin et al., 2022).

Se realizó una comparación de las distancias obtenidas para efectuar la clasificación adecuada y

mediante la función “fitcknn” ejecutada en Matlab®, se programó el KNN con las 18 variables de la

Tabla 1.

3. Resultados y discusión

Las métricas de los resultados obtenidos por cada algoritmo se obtuvieron mediante las ecs. (4)-

(7) con lo que se logró obtener la Precisión, Recall, Exactitud y F1 score. En donde TP (True Positive)

son los verdaderos positivos, TN (True Negative) verdaderos negativos, FN (False Negative) falsos

negativos y FP (False Positive) falsos positivos, obtenidos al pasar los datos de BDTP y BDTN por los

algoritmos desarrollados.

Ec. (4)

Ec. (5)

Ec. (6)

Ec. (7)

Al analizar las métricas de los resultados de cada algoritmo desarrollado en conjunto con los

algoritmos de otros autores se obtuvieron los datos expuestos en la Tabla 2, en los que la precisión

máxima fue obtenida mediante el algoritmo de aprendizaje supervisado KNN con un valor del 100

%. Con un F1 score de 97.5 % para el algoritmo bayesiano, 97.6 % para ANN y 100 % para KNN.

Cañedo-Figueroa et.al

TECNOCIENCIA CHIHUAHUA, Vol. XVII (1) e 1193 (2023)

Tabla 2. Comparación de resultados obtenidos.

Table 2. Comparison of results obtained.

Precisión

Recall

Exactitud

F1 Score

Bayesiano

95.1 %

100 %

97.6 %

97.5 %

ANN

97.6 %

98.8 %

97.6 %

KNN

100 %

Bayes (Prapty y Shitu, 2020)

80 %

93 %

80 %

Random Forest (Prapty y Shitu, 2020)

84 %

93.5 %

84 %

KNN (Denny et al., 2019)

83.33 %

86.58 %

40.98 %

KNN (Madhumitha et al., 2021)

97 %

95 %

97 %

95.98 %

Bayes (Mubasher-Hassan y Mirza,

2020)

94 %

76 %

81 %

84 %

Los datos expuestos en la Tabla 2 sugieren que el uso de algoritmos de agrupamiento basadas en las

18 características que se utilizaron en el presente estudio son óptimos para la detección y clasificación

de SOP. Superior 2.4 % en comparación con la red neuronal desarrollada y a 2.5 % del algoritmo

Bayesiano desarrollado.

Se puede denotar una diferencia en la puntuación del F1 score con los autores (Prapty et al., 2020)

quienes utilizaron características booleanas como el ciclo menstrual regular, grosor del cabello,

pérdida de cabello y la denotación de cambios físicos en el cuerpo. De igual manera (Denny et al.,

2019) trabajo con datos que pueden ser considerados como booleanos dentro de su conjunto de datos.

(Madhumitha et al., 2021) y (Mubasher Hassan et al., 2020) quienes utilizaron datos obtenidos de

imágenes, lograron generar algoritmos competitivos, sin embargo, se puede notar una diferencia en

el F1 score de sus métricas con las generadas en el presente documento.

Tras una comparación de los resultados de los distintos trabajos con el presente, es posible identificar

una gran disparidad de valores con una diferencia de 3 % hasta 20 % en la precisión, de 5 % a 20 %

en el recall, de 3 % a 19 % en la exactitud y de 16 % hasta 59 % en el F1 score. Los resultados obtenidos

sugieren que el desarrollo de algoritmos de machine learning tienen un mejor desempeño cuando se

involucran datos no booleanos dentro de entrenamiento incrementado las métricas que se puedan

obtener.

4. Conclusiones

Los resultados obtenidos, muestran que en términos generales es recomendable utilizar

características descriptivas no booleanas para el desarrollo de algoritmos de machine learning. De

igual manera se deberán validar los algoritmos generados utilizando información de algunas otras

anomalías similares para obtener una evaluación complementaria de lo desarrollado en este

documento.

Cañedo-Figueroa et.al

TECNOCIENCIA CHIHUAHUA, Vol. XVII (1) e 1193 (2023)

Es necesario destacar que la presencia del Síndrome de Ovario Poliquístico en la salud femenina ha

alcanzado un importante interés dentro de los factores de riesgo para las mujeres en edad

reproductiva, puesto que es una anomalía que afecta directamente en los problemas de infertilidad

y de salud materna.

Se puede concluir que el uso de inteligencia artificial para el diagnóstico de este tipo de

enfermedades puede ser muy útil. Por lo tanto, se puede generar alguna aplicación que resulte

práctico en laboratorios para el pre diagnóstico de la existencia del SOP, así como también el

desarrollo de herramientas de asistencia al médico.

Agradecimientos

Agradecemos a la Universidad Autónoma de Chihuahua y a los creadores del repositorio de

la base de datos Aya Moheddine y su equipo por la disposición de colocar su aportación en la

plataforma de libre acceso Kaggle.com en pro del desarrollo científico y el bienestar de la

humanidad.

Conflicto de intereses

Los autores de este artículo declaran no tener ningún conflicto de interés.

5. Referencias

Aguayo-González, P. 2016. Sobrepeso y obesidad, factores de riesgo para desarrollar síndrome de

ovario poliquístico. https://www.gob.mx/salud/prensa/sobrepeso-y-obesidad-factores-de-

riesgo-para-desarrollar-sindrome-de-ovario-poliquistico

Suha, S.A. & Islam, M.N. 2022. An extended machine learning technique for polycystic ovary

syndrome detection using ovary ultrasound image. Nature Scientific Reports 12: 17123.

https://doi.org/10.1038/s41598-022-21724-0 *

Cañedo-Figueroa, C. E. & García-Chávez, H. 2021. Diseño de algoritmo compuesto por Machine

Learning y un modelo probabilístico para la detección de diabetes. Memorias Del Congreso

Nacional de Ingeniería Biomédica 8(1), 57–60.

https://memoriascnib.mx/index.php/memorias/article/view/828

Carvajal, R., Herrera, G. & Porcile, J., 2010. Espectro Fenotípico Del Síndrome De Ovario Poliquístico.

Rev Chil Obstet Ginecol, 75(2): 124 – 132. http://dx.doi.org/10.4067/S0717-75262010000200009

Denny, A., Raj, A., Ashok, A., Maneesh-Ram, C. & George, R. 2019. i-HOPE: Detection and

Prediction System for Polycystic Ovary Syndrome (PCOS) Using Machine Learning

Techniques. En: TENCON 2019 - 2019 IEEE Region 10 Conference (TENCON), Kochi, India,

2019, pp. 673-678. https://doi.org/10.1109/TENCON.2019.8929674

Cañedo-Figueroa et.al

TECNOCIENCIA CHIHUAHUA, Vol. XVII (1) e 1193 (2023)

Guadamuz-Delgado, J., Miranda-Saavedra, M. & Mora-Miranda, N. 2022. Actualización sobre el

síndrome de ovario poliquístico. Revista Médica Sinergia 7(5): e801.

https://doi.org/10.31434/rms.v7i5.801

Madhumitha, J., Kalaiyarasi, M. & Ram, S. S. 2021. Automated Polycystic Ovarian Syndrome

Identification with Follicle Recognition. En 2021 3rd International Conference on Signal

Processing and Communication (ICPSC), 98-102.

https://doi.org/10.1109/ICSPC51351.2021.9451720

Moheddine, A., 2022. PCOS_Dataset Kaggle.

https://www.kaggle.com/datasets/ayamoheddine/pcos-dataset?select=PCOS_data.csv

Mubasher-Hassan, M. & Mirza, T. 2020. Comparative Analysis of Machine Learning Algorithms in

Diagnosis of Polycystic Ovarian Syndrome. Int J Comput Appl, 175(17), 42-53.

https://www.ijcaonline.org/archives/volume175/number17/31548-2020920688

Palomar, L. & Guerrero, J. 2017. El teorema de bayes y el diagnóstico clínico. Memorias del Congreso

Internacional Sobre la Enseñanza y Aplicación de las Matemáticas, Universidad Nacional

Autónoma de México, Facultad de Estudios Superiores Cuautitlán. https://bit.ly/3JBftTU

Prapty, A. S. & Shitu, T. T. 2020. An Efficient Decision Tree Establishment and Performance Analysis

with Different Machine Learning Approaches on Polycystic Ovary Syndrome. En: 23rd

International Conference on Computer and Information Technology (ICCIT), DHAKA,

Bangladesh, 2020, pp. 1-5. https://doi.org/10.1109/ICCIT51783.2020.9392666

Uddin, S., Haque, I., Lu, H., Moni, M. A. & Gide, E. 2022. Comparative performance analysis of K-

nearest neighbour (KNN) algorithm and its different variants for disease prediction. Sci Rep,

12(1): 6256. https://doi.org/10.1038/s41598-022-10358-x

Winnykamien, I., Dalibón, A. & Knoblovits, P. 2016. Síndrome de ovario poliquístico. Rev. Hosp.

Ital. B. Aires 37(1): 10-20. https://pesquisa.bvsalud.org/portal/resource/pt/biblio-966680

2023 TECNOCIENCIA CHIHUAHUA

Esta obra está bajo la Licencia Creative Commons Atribución No Comercial 4.0 Internacional.

https://creativecommons.org/licenses/by-nc/4.0/