使用功能优化和LightGBM算法来预测体外受精后的临床妊娠结果
Lu Li1,2, Xiangrong Cui2, Jian Yang3
1School of Basic Medicine, Anhui Medical University, Hefei, China.
Frontiers in endocrinology
|December 14, 2023
概括
使用LightGBM的机器学习模型准确地预测了体外受精 (IVF) 的成功. 雌激素水平 (二) 是关键预测因素,帮助生育专家制定治疗策略.
科学领域:
- 生殖医学 生殖医学
- 医疗保健中的人工智能
- 生物统计学 生物统计学
背景情况:
- 不孕症影响全球大约17.5%的成年人,需要改进辅助生殖技术的预测方法.
- 机器学习 (ML) 模型越来越多地被探索,以提高在体外受精 (IVF) 周期中预测临床怀孕结果.
研究的目的:
- 开发和评估一种机器学习模型,用于预测试管婴儿后的怀孕结果.
- 提供一个工具,帮助临床医生在患者咨询和治疗策略调整.
主要方法:
- 对中国生殖中心 (2020年3月至2021年3月) 的数据进行了回顾性分析.
- 应用了6个ML算法 (XGBoost,LightGBM,KNN,Naïve Bayes,随机森林,决策树),使用了13个选定的特征.
- 通过五倍交叉验证,使用精度,回忆,F1得分,准确度和AUC来评估模型性能.
主要成果:
- 轻GBM模型表现出卓越的性能,准确度为92.31%,回忆率为87.80%,F1得分为90.00%,AUC为90.41%.
- 发现的关键预测特征是HCG注射时的雌激素度 (两个),子宫内膜厚度 (EM TNK),不孕几年 (Years) 和体重指数 (BMI).
结论:
- 轻GBM模型为试管婴儿怀孕结果提供了最好的预测能力.
- 雌激素度 (二) 成为成功试管婴儿的最重要的预测因素.
- 这种ML方法可以支持生育专家优化患者咨询和治疗计划.
