使用基于胚胎光显微镜图像和其他因素的机器学习技术选择用于试管婴儿的胚胎
概括
本研究介绍了在体外受精 (IVF) 中对胚胎选择的深度学习模型,使用胚胎图像和患者数据改进了可行性分类. 该模型增强了植入潜力的预测,有助于临床决策.
科学领域:
- 生殖医学 生殖医学
- 医疗保健中的人工智能
- 胚胎学 胚胎学
背景情况:
- 目前的体外受精 (IVF) 胚胎选择依赖于主观形态分级 (例如,伊斯坦布尔评分系统).
- 缺乏优先考虑具有相似形态的胚胎的客观标准,阻碍了有效的选择.
- 当前的方法提供有限的指导,当多个胚胎共享相同的等级.
研究的目的:
- 开发一种深度学习模型,使用光显微镜图像对可活和不可活胚胎进行分类.
- 将额外的临床特征,包括伊斯坦布尔分级系统和患者年龄纳入模型.
- 为了提高胚胎植入潜力的预测.
主要方法:
- 利用胚胎的光显微镜图像进行分析.
- 开发和评估各种深度学习模型.
- 融合胚胎图像数据具有补充功能 (伊斯坦布尔分级,患者年龄,ICM,TE质量,发育阶段).
主要成果:
- 性能最好的模型实现了65%的准确性,74.29%的灵敏度和0.72.7的AUC.
- 分析显示,患者的年龄,胚胎发育阶段,内细胞质量 (ICM) 和托菲克托德 (TE) 质量对预测有积极影响.
- 该模型在结合这些额外因素时,可以更好地预测植入潜力.
结论:
- 集胚胎图像和临床数据的深度学习模型为试管婴儿中客观胚胎选择提供了一个有希望的方法.
- 结合患者年龄和特定形态指标 (ICM,TE) 等特征,可显著提高预测准确度.
- 这种人工智能驱动的方法可以通过优化胚胎移植决策来提高试管婴儿成功率.
