用深度学习增强超声波和临床数据对子宫内膜受体性的自动评估,以查复发妊娠损失风险

科学领域:

• 生殖医学 生殖医学
• 医学成像分析 医学成像分析
• 医疗保健中的人工智能

背景情况:

• 复发性流产 (RPL) 通常具有未知的原因,使管理复杂化.
• 在RPL中讨论评估子宫内膜受体 (ER) 的传统方法.
• 在对RPL风险的ER评估中深度学习 (DL) 的应用仍然有限.

研究的目的:

• 为了完善子宫内膜受体 (ER) 对重复妊娠损失 (RPL) 风险分层的评估.
• 利用深度学习 (DL) 来分析常规的临床和超声数据.
• 开发一个人工智能驱动的模型,以改善RPL风险预测.

主要方法:

• 追溯研究包括346个不明原因的RPL病例和369个对照组.
• 使用深度学习 (DL) 模型 (ResNet-50用于图像,TabNet用于临床数据).
• 结合成像和临床数据的融合模型被开发和验证.

主要成果:

• 在图像分析方面,ResNet-50模型表现出卓越的性能.
• 而TabNet模型的表现优于传统的机器学习 (ML) 模型.
• 聚变模型实现了0.853的AUC,证明了高预测准确度.

结论:

• 一个DL增强的融合模型整合了超声波和临床数据,准确地分层了RPL风险.
• 这种人工智能驱动的方法在预测RPL风险方面超越了传统方法.
• 这项研究强调了DL在改善生殖医学结果方面的潜力.