Die AUTO-PCOS-Klassifikationsausforderung strebt danach, die diagnostischen Fähigkeiten der Künstlichen Intelligenz (KI) bei der Identifizierung des Polyzystischen Ovarialsyndroms (PCOS) durch automatisierte Klassifikation von gesunden und kranken Ultraschallbildern zu verbessern. Dieser Bericht beschreibt unsere Methodik zur Erstellung eines robusten KI-Pipelines unter Verwendung von Transfer Learning mit der InceptionV3-Architektur, um eine hohe Genauigkeit in der binären Klassifikation zu erreichen. Vorverarbeitungsschritte sicherten die Optimierung des Datensatzes für das Training, die Validierung und den Test, während Interpretationsmethoden wie LIME und Saliencymaps wertvolle Einblicke in das Entscheidungsfindungsverfahren des Modells lieferten. Unser Ansatz erzielte eine Genauigkeit von 90,52 %, wobei Präzision, Recall und F1-Score-Metriken auf den Validierungsdaten über 90 % lagen, was seine Effektivität beweist. Das Projekt unterstreicht das transformatorische Potenzial der KI im Gesundheitswesen, insbesondere bei der Bewältigung diagnostischer Herausforderungen wie dem PCOS. Wesentliche Ergebnisse, Herausforderungen und Empfehlungen für zukünftige Verbesserungen werden diskutiert, wodurch der Weg für die Entwicklung verlässlicher, interpretierbarer und skalierbarer künstlich-intelligenzgestützter medizinischer Diagnosewerkzeuge beleuchtet wird.