在生殖技术中用于胚胎移植的智能决策系统:基于机器学习的方法

科学领域:

• 生殖医学 生殖医学
• 医疗保健中的人工智能
• 生物统计学 生物统计学

背景情况:

• 不孕症影响公众健康,辅助生殖技术 (ART) 是主要的治疗方法.
• 目前的ART方法由于高成本和身体不适而面临局限性.
• 预测最佳胚胎移植数量对于ART成功至关重要.

研究的目的:

• 开发机器学习 (ML) 决策支持模型,以预测ART中最佳胚胎移植数量.
• 将病例分为转移2个或更少的胚胎和转移3个或4个胚胎.

主要方法:

• 通过文献评论利用了来自不育夫妇的数据.
• 开发了使用随机森林 (RF),物流回归 (LR),支持矢量机 (SVM) 和人工神经网络 (ANN) 的二元分类模型.
• 考虑了七个标准:妇女的年龄,精子的起源,胚胎发育质量,不孕症持续时间,妇女的评估,胚胎形态和卵细胞数量.

主要成果:

• SVM模型实现了最高的平均精度 (95.83%),其次是ANN和LR (91.67%).
• 射频模型显示了最低的变化,准确率为88.89%.
• 在新的数据集上,ANN和SVM模型实现了100%的准确性;RF和LR实现了91.68%.

结论:

• ML模型,特别是SVM和ANN,有效地预测了ART的最佳胚胎数量.
• 这些模型显示出卓越的概括性,可以指导ART临床决策.
• 加强决策支持可能会改善ART结果和患者体验.