Machine learning based system for fetus gender prediction

Abstract

Le désir de révéler le genre du fœtus n’est pas nouveau, mais une curiosité aussi ancienne que l’humanité. Pour cela, de nombreuses hypothèses ont surgi chez les ancêtres puisque la médecine n’avait pas encore abouti à une réponse scientifique pertinente à l’hypothèse de déterminer le genre du fœtus à des stades très avancés de la grossesse comme les hypothèses des Chinois et des Mayas.

Dans ce contexte, nous avons effectué une analyse rétrospective d’une banque de don- nées de plus de 300 000 actes de naissance ; dans lequel nous visons à utiliser et à comparer

certains algorithmes de classification d’apprentissage automatique supervisé ; afin de trou- ver le meilleur pour répondre à cette question ancienne selon certaines caractéristiques

telles que selon l’âge maternel pendant la grossesse et le mois de conception, puis étudier la possibilité de comparer les résultats avec certaines des hypothèses les plus anciennes dans ce domaine.

Les résultats obtenus sont très encourageants pour que la recherche scientifique consid- ère de telles caractéristiques. Dans le même temps, nous visons à étendre notre étude et

à construire un modèle basé sur l’apprentissage en profondeur pour former des ensembles de données plus volumineux avec plus de fonctionnalités.The desire to reveal the gender of the fetus is not new, but a curiosity as old as humanity. For that, many assumptions have arisen among ancestors since medicine had not yet reached a relevant scientific answer to the hypothesis of determining the gender of the fetus at very advanced stages of pregnancy like the hypotheses of the Chinese and Mayans. In this context, we have performed a retrospective database analysis of more than 300,000 birth records; in which we aim to use and compare some supervised machine learning classification algorithms; to find the best one in answering this ancient question according to some characteristics such as according to the maternal age during pregnancy and the month of conception, then study the possibility of comparing the results with some of the older hypotheses in the field.

The obtained results are very encouraging for scientific research to consider such fea- tures. At the same time, we aim to extend our study and build a deep learning based

model for training larger datasets with more features.