基于月经史与心理健康生物标志物的多囊卵巢综合征无创诊断筛查框架：机器学习方法
该数据集包含一个经过优化的无创变量矩阵，分为三个核心领域：(i) 月经生物特征（周期规律性、长度和流量强度），(ii) 表型临床表现（是否存在痤疮和头发稀疏/脱发），(iii) 心理情感困扰向量（压力、焦虑和抑郁的标准化评分），所有变量均映射到一个二分类目标（PCOS诊断）
基本信息
资源简介
基于月经史与心理健康生物标志物的多囊卵巢综合征无创诊断筛查框架：机器学习方法
该数据集包含一个经过优化的无创变量矩阵，分为三个核心领域：(i) 月经生物特征（周期规律性、长度和流量强度），(ii) 表型临床表现（是否存在痤疮和头发稀疏/脱发），(iii) 心理情感困扰向量（压力、焦虑和抑郁的标准化评分），所有变量均映射到一个二分类目标（PCOS诊断）
A Non-Invasive Diagnostic Screening Framework for Polycystic Ovary Syndrome (PCOS) Using Menstrual History and Mental Health Biomarkers: A Machine Learning Approach
【数据集背景】
源站首次发布：2026。
【数据内容】
源站描述（机器翻译，仅供参考）：该数据集包含一个经过优化的无创变量矩阵，分为三个核心领域：(i) 月经生物特征（周期规律性、长度和流量强度），(ii) 表型临床表现（是否存在痤疮和头发稀疏/脱发），(iii) 心理情感困扰向量（压力、焦虑和抑郁的标准化评分），所有变量均映射到一个二分类目标（PCOS诊断）。研究人员和数据科学家可利用该存储库对先进的分类架构（如XGBoost、Random Forest和Deep Neural Networks）进行基准测试，执行非参数Bootstrap LASSO或Boruta特征稳定性选择，通过可解释AI（TreeSHAP）框架分析特征归因，并为低资源远程医疗筛查分诊建模概率校准曲线。
【主题与分类】
主题标签：多囊卵巢综合征、无创筛查、机器学习、月经生物特征、心理健康、可解释AI、特征选择、远程医疗。本站分类：精神与行为障碍。
【获取与许可】
源站页面：https://zenodo.org/doi/10.5281/zenodo.20350843
使用许可：Creative Commons Attribution 4.0 International。
下载信息
注册下载
需要注册 Kaggle 账号并登录后下载，适合需要跟踪下载记录和使用 API 的用户。
暂未开放公开下载
无需注册即可直接获取公开样本或文档，适合快速预览和评估数据集质量。
免登录有偿下载
公开数据集受托下载与技术交付服务。
提供高速下载与技术交付服务（收技术服务费，非数据销售）
暂未开放当前数据集主要来源为 Kaggle 公开托管，完整影像包建议通过原始链接或 Kaggle API 获取。
使用方式
数据集获取
源站：https://doi.org/10.5281/zenodo.20350843
标准获取流程：
- 访问源站链接，注册/登录账号；
- 进入数据集详情页，按页面指引申请权限或直接下载；
- 部分平台提供 SDK，例如：
- OpenDataLab:
pip install openxlab后openxlab.dataset.get(...) - ModelScope:
pip install modelscope后modelscope download - 天池: 登录后页面提供直链下载
以源站「数据下载/使用文档」页面为准。
- OpenDataLab:
数据集大小约 58.4 KB。
数据说明
该数据集包含一个经过优化的非侵入性变量矩阵，这些变量被归类为三个核心领域：(i) 月经生物特征（周期规律性、长度和流量强度），(ii) 表型临床表现（痤疮和头发稀疏/脱发的存在），以及 (iii) 心理情感困扰向量（压力、焦虑和抑郁的标准化评分），所有这些变量均与一个二元目标（PCOS诊断）相对应。研究人员和数据科学家可以利用此存储库来基准测试先进的分类架构（如XGBoost、随机森林和深度神经网络），执行非参数Bootstrap LASSO或Boruta特征稳定性选择，通过可解释AI（TreeSHAP）框架分析特征归因，并为低资源远程医疗筛查分诊建模概率校准曲线。
数据加载示例（图像类）
from PIL import Image
import glob, os
files = (glob.glob(os.path.join(path, "**", "*.png"), recursive=True)
+ glob.glob(os.path.join(path, "**", "*.jpg"), recursive=True)
+ glob.glob(os.path.join(path, "**", "*.tif"), recursive=True))
print("图像文件数:", len(files))
img = Image.open(files[0]); print("尺寸/模式:", img.size, img.mode)
# torchvision Dataset 方式:
# from torchvision import datasets
# ds = datasets.ImageFolder(path) # 要求 子目录=类别
目录组织与标注格式以源站说明和下载后实际文件为准。
数据缺失？
依托陕西、四川两大基地，我们与超过十家三甲医院建立直接合作关系，覆盖合规授权、采集治理、专业标注、数据交付的全流程，为AI医疗团队提供即拿即用的高质量临床数据。
⚡️ 需要数据支持或标注服务？立即联系我们获取专业方案。
