相关实验视频
Updated: May 9, 2026
11:13
Using Mouse Oocytes to Assess Human Gene Function During Meiosis I
Published on: April 10, 2018
8.9K
超越黑盒模型:可解释的人工智能用于胚胎性预测和以患者为中心的咨询
Thi-My-Trang Luong1,2,3, Nguyen-Tuong Ho3,4, Yuh-Ming Hwu3
1International Master Program in Medicine, College of Medicine, Taipei Medical University, Taipei, Taiwan.
Journal of assisted reproduction and genetics
|July 4, 2024
概括
可解释的人工智能 (XAI) 模型提高了胚胎 ploidy 预测的准确性和透明度. 随机森林模型,增强了SHAP和LIME,确定了关键因素,如母亲的年龄,以便更好地选择胚胎.
科学领域:
- 生殖医学 生殖医学
- 医疗保健中的人工智能
- 遗传学和基因组学 遗传学和基因组学
背景情况:
- 预测胚胎性状态对于成功的体外受精 (IVF) 是至关重要的.
- 传统方法在胚胎评估中往往缺乏准确性和透明度.
- 可解释的人工智能 (XAI) 为改善预测模型提供了一个潜在的解决方案.
研究的目的:
- 评估XAI模型在预测胚胎化状态方面的有效性.
- 提高试管婴儿胚胎选择的准确性和透明度.
- 使用人工智能驱动的洞察力识别影响胚胎育的关键因素.
主要方法:
- 追溯分析1908年布拉斯托囊胚胎的阴性状况,形态动力学和临床数据.
- 在不同的胚胎数据集上训练了六个机器学习 (ML) 模型,包括随机森林 (RF).
- 使用XAI技术解释ML模型性能:夏普利添加式解释 (SHAP) 和局部可解释模型不可知解释 (LIME).
主要成果:
- 射频模型表现出卓越的性能,在所有等级胚胎 (AGE) 中达到0.749的精度和0.808的AUC.
- 外部验证显示RF精度为0.714和AUC为0.750.
- SHAP分析确定了母亲的年龄,父亲的年龄,胚胎囊的时间和第5天的形态等级作为重要的预测因素.
结论:
- XAI算法可以显著提高胚胎性预测的准确性和透明度.
- 开发的模型有助于优化胚胎选择以实现以患者为中心的咨询.
- XAI提供了可靠和透明的见解,改善了IVF的决策.
