基于人工智能分析子宫内膜细胞组成的动态变化:PCOS和RIF子宫内膜分析

科学领域:

• 生殖生物学 生殖生物学
• 医疗人工智能的人工智能
• 妇科病理学的病理学.

背景情况:

• 人类子宫内膜经历周期性变化,对胚胎植入至关重要.
• 在多囊卵巢综合征 (PCOS) 和复发性植入失败 (RIF) 中,子宫内膜发育障碍有助于不孕.
• 目前用于评估子宫内膜细胞组成的方法在准确性和效率方面存在局限性.

研究的目的:

• 开发和验证一种深度学习的人工智能 (AI) 模型,用于量化子宫内膜上皮和树皮细胞区域.
• 在患有PCOS和RIF的女性中分析子宫内膜细胞组成.
• 研究子宫内膜细胞组成,月经周期阶段和不孕不育之间的关系.

主要方法:

• 一个深度学习的人工智能模型被训练来细分子宫内膜上皮和树皮细胞.
• 人工智能模型的性能得到了经验丰富的病理学家的验证.
• 分析了健康对照组,PCOS患者和RIF患者的子宫内膜样本.

主要成果:

• 人工智能模型表现出高准确度 (92.40%的上皮, 99.23%的肌层) 和可重复性.
• 子宫内膜上皮与宫内膜的比率在健康患者和PCOS患者的月经周期相应变化.
• 在PCOS/RIF患者和对照人群之间,没有发现子宫内膜细胞组成的显著差异.

结论:

• 人工智能模型提供了一种快速,准确和客观的方法来评估子宫内膜组织学.
• 在PCOS或RIF患者中,子宫内膜细胞组成没有显著改变.
• 人工智能模型有可能在研究和临床环境中增强子宫内膜评估.