使用自动化和准确的形态动力学注释来划分胚胎植入前发育的异质性
Nir Zabari1, Yoav Kan-Tor1,2, Yuval Or3
1School of Computer Science and Engineering, The Hebrew University of Jerusalem, The Edmond J. Safra Campus, 9190416, Jerusalem, Israel.
Journal of assisted reproduction and genetics
|June 10, 2023
概括
这项研究引入了一种自动化的深度学习模型,用于从时差记录中分析胚胎发育. 该模型准确评估胚胎状态,并识别出不同的发育模式,改善试管婴儿决策.
科学领域:
- 生殖医学是一种生殖医学.
- 医疗保健中的人工智能
- 胚胎学 胚胎学
背景情况:
- 时间间隔成像对于监测植入前发育至关重要.
- 手动注释胚胎形态动力学是耗时的,容易变化.
- 需要自动化工具来标准化和改进试管婴儿胚胎评估.
研究的目的:
- 开发一种自动化的深度学习模型,从时差记录中提取胚胎形态动力学事件.
- 用自动注释来描述植入前发育中的时间异质性.
- 为了使标准化形态动力学分析用于临床试管婴儿决策支持.
主要方法:
- 对来自四家试管婴儿诊所的67,707个胚胎视频进行了回顾性研究.
- 卷积神经网络 (CNN) 在20253个手动注释的胚胎上受训.
- 单胚胎状态的自动评估和通过单调回归和K-平均集群的形态动力学事件提取.
主要成果:
- 单胚胎状态的自动评估实现了97%的准确性.
- 整个胚胎的形态动力学注释显示出高精度 (R-平方0.994).
- 根据发育动态确定了九个不同的高质量胚胎亚群,其中的变异与细胞分裂同步有关.
结论:
- 现在可以实现对IVF胚胎记录的完全自动化,准确和标准化的形态动力学注释.
- 这种方法克服了手工注释的局限性,使得实用的临床决策支持工具成为可能.
- 该模型为分析胚胎异质性提供了一个平台,使用了减少的形态动力学描述.
