利用联合学习来提高试管婴儿胚胎选择中的数据隐私和性能

科学领域:

• 生殖医学 生殖医学
• 医疗保健中的人工智能
• 数据科学数据科学数据科学

背景情况:

• 试管受精 (IVF) 依赖于精确的胚胎评估,以获得成功的结果.
• 传统的数据分析方法面临着数据隐私和分布式数据集的挑战.
• 联合学习为协作模型培训提供了一个解决方案,而不需要集中敏感的患者数据.

研究的目的:

• 评估联合学习 (FL) 在试管婴儿中对胚胎评估任务的有效性.
• 在多机构IVF研究中评估FL对数据隐私和安全的影响.
• 为了比较FL模型与传统模型在预测胚胎化和临床怀孕方面的表现.

主要方法:

• 使用两大数据集进行回顾性队列分析:阴性状况 (10,065个胚胎) 和临床怀孕 (4,495个胚胎).
• 利用了来自多家医院的数据 (有5例性,有4例怀孕).
• 联邦学习和梯度增强决策树算法用于模型开发.

主要成果:

• 联合学习模型显示,在5家医院中,ROC曲线下的面积 (AUC) 平均增加了2.5%,用于对5家医院 ploidy 状态的预测.
• 对于临床怀孕预测,FL模型在4家医院中显示平均AUC改善3.08%.
• 这些结果表明,通过FL利用多机构数据提高了预测性能.

结论:

• 联合学习有效地提高了试管婴儿胚胎选择任务的性能,通过确保安全,多源数据的利用.
• FL增强了数据隐私和安全性,这对于敏感的生殖健康数据至关重要.
• 该研究强调了联合学习在辅助生殖技术和胚胎评估方面的未来应用的巨大潜力.