在更新的深度学习胚胎选择模型中提高了怀孕预测性能:一项追溯独立验证研究
Satoshi Ueno1, Jørgen Berntsen2, Tadashi Okimura1
1Kato Ladies Clinic, 7-20-3, Nishi-shinjuku, Shinjuku, Tokyo 160-0023, Japan.
Reproductive biomedicine online
|November 1, 2023
概括
增加深度学习模型的训练数据显著改善了单次玻璃化加热胚胎细胞移植 (SVBT) 后的怀孕预测. 人工智能模型中的增强数据提高了预测怀孕结果的准确性.
科学领域:
- 生殖医学 生殖医学
- 人工智能在医学中的应用
- 胚胎学 胚胎学
背景情况:
- 在单一玻璃化加热胚胎细胞移植 (SVBT) 后预测怀孕对于优化辅助生殖技术至关重要.
- 深度学习模型提供了改善胚胎评估和怀孕预测准确性的潜力.
研究的目的:
- 评估增加培训数据对深度学习模型性能的影响,用于预测SVBT后持续怀孕.
- 为了比较一个增强的深度学习模型 (iDAScore v2.0) 与其以前的版本 (iDAScore v1.0) 和传统的加德纳分级的预测准确度.
主要方法:
- 追溯分析3960个SVBT周期,胚胎按母亲年龄组分层.
- 使用深度学习模型 (iDAScore v1.0 和 iDAScore v2.0) 和加德纳分级的胚胎评分.
- 使用接收器运行特征曲线的曲线下的面积 (AUC) 来比较模型性能.
主要成果:
- 与iDA-V1 (AUC=0.720) 和加德纳分级 (AUC=0.702) 相比,增强型深度学习模型 (iDA-V2) 在所有队列中表现出优异的性能 (AUC=0.736) (P < 0.0001).
- 在特定的孕妇年龄组中,iDA-V2显示出妊娠预测准确度的显著改善,包括35岁以上和41-42岁.
- 虽然有所改善,但在38-40岁和42岁以上的年龄组的模型之间没有发现显著差异.
结论:
- 增加训练数据的大小可以提高深度学习模型在SVBT周期中预测怀孕的性能.
- 在更多数据上训练的iDAScore v2.0模型提供了更好的分辨能力来预测怀孕结果,特别是在某些母亲年龄的人口统计数据中.
