在胚胎评估中应用一种方法框架,用于开发和多中心验证可靠的人工智能

科学领域:

• 生殖医学是一种生殖医学.
• 医疗保健中的人工智能
• 胚胎学 胚胎学

背景情况:

• 人工智能 (AI) 模型分析胚胎时间延迟图像,以预测体外受精 (IVF) 中怀孕的可能性.
• 在临床环境中开发和验证过程中确保AI的一致性和可靠性仍未得到充分研究.
• 介绍了一种在多个数据集中开发和验证人工智能模型的方法,以证明可靠的胚胎评估.

研究的目的:

• 为开发和验证用于胚胎评估的人工智能模型提出一个强大的方法.
• 为了证明AI模型在各种数据集中的可靠性能.
• 确保人工智能模型在预测怀孕概率方面具有可解释性和可解释性.

主要方法:

• 一项多中心分析使用了来自9个国家的10家试管婴儿诊所 (2018-2022) 的时间间隔图像,怀孕结果和形态注释.
• 一个四步方法包括数据集策划,人工智能模型开发/优化,性能评估 (歧视力,怀孕关联) 和可解释性分析.
• 使用了三个数据集:培训/验证 (16,935个胚胎),盲目测试 (1,708个胚胎,3个诊所) 和独立测试 (7,445个胚胎,7个诊所).

主要成果:

• 人工智能深度学习分类器根据预测的临床怀孕概率对胚胎进行了排名.
• 在所有数据集中,更高的AI分数与胎儿心跳 (FH) 概率正相关 (ORs从0.40到4.01).
• 人工智能分数显示与FH概率一致增加,并与胚胎质量的关键形态参数相关.

结论:

• 人工智能模型在多个数据集中表现出强的性能.
• 提出的四步方法对于开发和验证人工智能工具非常有价值.
• 人工智能作为临床实践中胚胎评估的可靠辅助.