成熟的人类卵细胞的细分通过机器学习模型提供可解释和改进的胚胎细胞结局预测

科学领域:

• 辅助生殖技术 (ART) 是一种辅助生殖技术.
• 医学图像分析 医学图像分析
• 医疗保健中的机器学习

背景情况:

• 目前在ART中对卵细胞的评估缺乏客观的,非侵入性的方法.
• 卵细胞质量评估主要依赖于时间年龄,这是一个间接的衡量标准.
• 对于可解释和客观的卵细胞评估,存在临床差距.

研究的目的:

• 使用机器学习开发一种可解释,非侵入性和客观的工作流程,用于使用机器学习进行卵细胞评估.
• 预测成熟卵子细胞成芽细胞的发展潜力.
• 确定影响卵细胞发育能力的关键特征.

主要方法:

• 开发了一种机器学习工作流程,涉及2D卵细胞图像的自动多类细分.
• 利用从细分卵细胞图像 (面具) 中进行形态分析和特征提取.
• 训练了两个模型:一个细分模型和一个分类器 (面具模型) 用于预测胚胎细胞发育;还探索了合奏建模.

主要成果:

• 面具模型实现了0.63的曲线下面积 (AUC),0.51的灵敏度和0.66.6的特异性.
• 删除质特征将AUC降低到0.57,这表明质对发育能力的重要性.
• 结合面具和深度学习模型的整体模型提高了性能 (AUC 0.67).

结论:

• 使用机器学习对卵细胞进行直接,客观的评估,可以提供对发育能力的见解.
• 卵体的特征是卵细胞发展成胚胎细胞的潜在关键指标.
• 这种人工智能驱动的方法在ART中比目前基于年龄的卵细胞质量评估提供了显著的进步.