通过定量3D形态测量来通过非侵入性预测人类胚胎囊中的euploidy:一个回顾性队列研究
Guanqiao Shan1, Khaled Abdalla1, Hang Liu1
1Department of Mechanical and Industrial Engineering, University of Toronto, Toronto, ON, M5S 3G8, Canada.
Reproductive biology and endocrinology : RB&E
|October 29, 2024
概括
使用3D形态学和人工智能预测人体胚胎细胞积. 一个决策树模型实现了95.6%的准确性,提供了一种更客观的方法,用于在植入前对形状 (PGT-A) 的基因测试.
科学领域:
- 生殖生物学 生殖生物学
- 生物医学工程 生物医学工程
- 医学中的人工智能
背景情况:
- 囊胞形态与状状态有关,这对于成功植入至关重要.
- 目前用于euploidy预测的AI模型依赖于主观手动分级或有限的2D成像.
- 3D形态学为准确的预测提供了更全面的功能集.
研究的目的:
- 开发和评估一种人工智能模型,以使用定量3D形态参数来预测人体胚胎细胞积.
- 克服现有方法的局限性,例如主观性和信息丢失.
- 提高辅助生殖技术中euploidy预测的准确性和可靠性.
主要方法:
- 捕获了226张6日人类胚胎囊的多视图图像.
- 使用3D形态测量提取了定量形态参数.
- 训练了六个具有3D参数和PGT-A结果的机器学习模型,在测试集上评估性能.
主要成果:
- 所有3D形态参数在euploid和non-euploid芽细胞体之间都有显著差异.
- trofhectoderm 细胞数量, trofhectoderm 细胞大小差异和内部细胞质面积是显著的预测因素 (P < 0.01).
- 机器学习模型的准确度达到80%至95.6%,AUC从0.881到0.984. 决策树模型的准确率达到95.6% (AUC为0.978).
结论:
- 与机器学习相结合的3D形态测量提供了一个非常准确的方法来预测胚胎细胞euploidy.
- 决策树模型表现出卓越的性能,达到95.6%的准确性和0.978 AUC.
- 这种方法提供了一个更客观和潜在的更高效的工具,用于在植入前对体积症 (PGT-A) 的基因测试.
