一种新的深度学习方法,用于识别多个时差系统中的胚胎形态动力学

科学领域:

• 胚胎学 胚胎学
• 人工智能的人工智能
• 计算机视觉 计算机视觉

背景情况:

• 在体外受精 (IVF) 中的时隔系统 (TLS) 提供了持续的胚胎监测.
• 深度学习算法越来越多地用于分析试管婴儿数据,但不太专注于识别特定的发育事件.
• 准确识别关键的形态动力学事件对于胚胎评估至关重要.

研究的目的:

• 开发和验证一种新的深度学习架构,用于自动检测人类胚胎中的11个关键动态事件.
• 创建一个适用于IVF实验室使用的不同TLS平台的模型.
• 解决人工智能研究中有关特定胚胎形态动力学事件识别的差距.

主要方法:

• 利用了来自多个使用不同TLS (胚胎镜,GERI,MIRI) 的多个诊所的1909个胚胎的数据集.
• 基于变压器的视频骨干被训练使用自定义的度量来学习发育事件的顺序结构.
• 来自骨干的嵌入被一个门式循环单元 (GRU) 序列模型处理,以捕获动力依赖.

主要成果:

• 该模型在一个由278个胚胎组成的测试组中实现了精度为66.0%,回忆率为67.6%,F1得分为66.3%的加权平均值.
• 开发的深度学习架构证明了在多个TLS平台上的适用性.
• 该模型成功地确定了从1细胞阶段到胚胎细胞的11个关键动态事件.

结论:

• 拟议的深度学习模型有效地自动检测关键的胚胎形态动力学事件.
• 这种人工智能工具有可能通过提供客观和一致的事件识别来协助试管婴儿实验室的胚胎学家.
• 该模型的跨平台兼容性提高了其在各种IVF环境中的实用性.