完全自动化的评估工具的外部验证:对68471个得分的胚胎进行了回顾性分析

科学领域:

• 生殖医学 生殖医学
• 医疗保健中的人工智能
• 胚胎学 胚胎学

背景情况:

• 体外受精 (IVF) 的成功率受到胚胎质量的影响.
• 精确的胚胎评估对于优化试管婴儿结果至关重要.
• 自动化系统为一致和客观的胚胎评估提供了潜力.

研究的目的:

• 在外部验证一个基于深度学习的,完全自动化的胚胎分类系统.
• 评估系统预测植入和活产率的能力.
• 将自动化系统的性能与传统形态评估进行比较.

主要方法:

• 在7352次试管婴儿治疗中,对70,456个胚胎进行了回顾性队列研究.
• 胚胎使用完全自动化的深度学习算法得分.
• 在传统的试管婴儿,卵子捐赠和植入前遗传测试中对形积分 (PGT-A) 周期进行分析.
• 主要结局:植入和活产率;次要结局:形态,euploidy,流产.

主要成果:

• 自动化胚胎得分与植入和活产率正相关.
• 在患者卵细胞治疗中,自动化得分与植入 (OR 1.31) 和活产 (OR 1.27) 有显著关联.
• 该系统与胚胎学家 (Cohen's Kappa 0.63) 和与常规形态学可比的AUC表现出良好的一致性.
• 与传统选择 (49.98%) 相比,转移得分最高的胚胎导致更高的植入率 (57.36%).

结论:

• 一个完全自动化的胚胎评分系统有效地根据植入和活产潜力对胚胎进行排名.
• 人工智能系统的性能与传统方法相美.
• 转移人工智能系统识别的得分最高的胚胎导致了优异的临床结果.