一个人工智能工具从新鲜成熟卵细胞的静态图像中预测胚胎细胞的发育

科学领域:

• 医学中的生殖生物学和人工智能.

背景情况:

• 评估卵细胞质量对于成功的体外受精 (IVF) 是至关重要的.
• 目前用于卵细胞评估的方法是主观的,可能无法完全预测发育潜力.
• 需要客观的,自动化的方法来改善试管婴儿的结果.

研究的目的:

• 开发和验证一种深度学习模型,用于从剥离的成熟卵细胞的静态图像中预测胚胎细胞的发育.
• 评估模型的性能,可概括性和与卵细胞发育能力和胚胎细胞质量相关性.

主要方法:

• 在六个国家的八个生育诊所的37133张卵细胞图像上训练了一种深度学习模型.
• 模型性能在测试数据集 (n=7807) 上进行了评估,并通过来自两个诊所的12,357张图像进行了外部验证.
• 关键性能指标包括曲线下的面积 (AUC),平衡的准确性,特异性和灵敏性. 针对年龄,男性因素和地理位置进行了子组分析.

主要成果:

• 该模型在测试组件中达到0.64的AUC,在外部验证组件中达到0.63.
• 在各个子组中,表现略有差异,在38-39岁女性的卵细胞中,AUC (0.68) 是最高的.
• 从模型概率得出的评分表显示了与胚胎细胞发育和良好的胚胎细胞形成的正相关性.

结论:

• 开发的深度学习模型在评估卵细胞对胚胎细胞发育的能力方面表现良好.
• 该模型的预测,当转换为分数表时,与胚胎细胞质量相关,提供潜在的客观测量.
• 这项研究代表了卵细胞评估在科学研究和在生育治疗中的临床应用方面取得的重大进展.