深度学习与IVF中基于手动形态的胚胎选择:一个随机的,双盲的非劣等性试验
Peter J Illingworth1, Christos Venetis2,3,4, David K Gardner5,6
1Virtus Health, Sydney, New South Wales, Australia. peter.illingworth@virtushealth.com.au.
Nature medicine
|August 9, 2024
概括
深度学习 (iDAScore) 没有证明在体外受精临床怀孕率方面与标准胚胎评估无差. 这项随机试验发现这两种胚胎选择方法的怀孕成功率相似.
科学领域:
- 生殖医学 生殖医学
- 人工智能在医学中的应用
- 临床试验 临床试验
背景情况:
- 在体外受精 (IVF) 的成功取决于最佳的胚胎选择.
- 传统的形态学评估是主观的.
- 深度学习为胚胎评估提供了一个潜在的客观方法.
研究的目的:
- 评估深度学习算法 (iDAScore) 与标准形态评估相比,在试管婴儿中选择胚胎的非劣势.
- 为了确定iDAScore是否可以实现与传统方法相比的临床怀孕率.
主要方法:
- 一个多中心,随机,双盲,非劣势性试验,涉及1,066名接受试管婴儿的妇女.
- 参与者被随机分配到标准形态评估或iDAScore引导的胚胎选择中.
- 主要终点是临床怀孕率,其非劣势率为5%.
主要成果:
- 该iDAScore组实现了46.5%的临床怀孕率.
- 形态组实现了48.2%的临床怀孕率.
- 该研究没有证明iDAScore的非劣势性 (风险差异-1.7%,95%CI -7.7,4.3).
结论:
- 没有发现深度学习 (iDAScore) 与试管婴儿胚胎选择的标准形态评估不逊色.
- 可能需要进一步的研究来优化生殖医学中的深度学习应用.
- 目前的深度学习工具无法超越预测试管婴儿成功的既定方法.
更多相关视频
12:32Chromosome Screening of Human Preimplantation Embryos by Using Spent Culture Medium: Sample Collection and Chromosomal Ploidy Analysis
Published on: September 7, 2021
2.1K
06:49A Semi-high-throughput Imaging Method and Data Visualization Toolkit to Analyze C. elegans Embryonic Development
Published on: October 29, 2019
6.7K
