相关实验视频
Updated: Jun 19, 2026
08:04
Murine Fetal Echocardiography
Published on: February 15, 2013
17.3K
EVATOM:一个光学,无标签,机器学习辅助的胚胎健康评估工具
Neha Goswami1,2, Nicola Winston3, Wonho Choi4
1Department of Bioengineering, University of Illinois Urbana-Champaign, Urbana, IL, 61801, USA. nehag4@illinois.edu.
Communications biology
|March 5, 2024
概括
使用人工共聚焦显微镜 (ACM) 和机器学习的新工具EVATOM增强了用于体外受精 (IVF) 的胚胎选择. 它准确评估胚胎健康状况,改善临床怀孕和活产率.
科学领域:
- 生殖医学 生殖医学
- 生物医学工程 生物医学工程
- 医疗保健中的人工智能
背景情况:
- 成功的体外受精 (IVF) 取决于胚胎质量和母亲的健康.
- 目前的胚胎选择依赖于胚胎学家的主观形态评估.
- 机器学习 (ML) 提供了客观胚胎评估的潜力.
研究的目的:
- 引入EVATOM,一种ML辅助的胚胎健康评估工具.
- 使用人工共聚焦显微镜 (ACM) 进行无标签核检测和新生物标志物识别.
- 开发和验证ML模型来分类胚胎生存能力.
主要方法:
- 采用人工共聚焦显微镜 (ACM),是一种光学定量相位成像技术.
- 开发了一种无标签核检测方法.
- 创建了两个ML模型来将胚胎分类为健康/中等 (H/I) 或生病 (S).
主要成果:
- 在分布式试验组 (72个固定胚胎) 中获得1.0和0.99的加权F1分数.
- 在分布之外的测试组 (19个活胚胎的时间实例) 上获得0.9和0.95的加权F1分数.
- 在使用新型定量生物标志物对胚胎生存能力进行分类时,证明了高准确性.
结论:
- EVATOM提供了一个客观的,基于ML的方法,用于IVF中的胚胎健康评估.
- 该工具利用先进的成像和ML来提高胚胎选择的准确性.
- 这项技术有可能通过识别更健康的胚胎来提高试管婴儿的成功率.
更多相关视频
08:52High-resolution Episcopic Microscopy HREM - Simple and Robust Protocols for Processing and Visualizing Organic Materials
Published on: July 7, 2017
10.2K
06:49A Semi-high-throughput Imaging Method and Data Visualization Toolkit to Analyze C. elegans Embryonic Development
Published on: October 29, 2019
6.7K
