使用高级深度学习架构进行胚胎质量评估,利用胚胎囊的微观图像.

科学领域:

• 胚胎学 胚胎学
• 人工智能在医学中的应用
• 辅助生殖技术 辅助生殖技术

背景情况:

• 准确的胚胎质量评估对于成功的体外受精 (IVF) 是至关重要的.
• 目前的形态评分方法在准确性和延迟性方面存在局限性.
• 先进的深度学习为增强胚胎评估提供了潜力.

研究的目的:

• 开发和比较深度学习模型来评估微观胚胎图像.
• 提高胚胎质量评估在关键发育阶段 (3日和5日) 的准确性和效率.
• 调查图形卷积网络 (GCN) 和图形注意网络 (GAT) 的性能.

主要方法:

• 微观胚胎图像使用直方图平衡进行了预处理.
• 训练和评估了包括GCN和GAT在内的各种深度学习模型.
• 比较了诸如精度,灵敏度和特异性等性能指标.

主要成果:

• 图形卷积网络 (GCN) 实现了96.1%的准确性.
• 图表注意网络 (GAT) 进一步提高了精度,达到98.8%,具有96.4%的灵敏度和97.5%的特异性.
• 动态加权GAT特征中的注意力机制对于提高性能具有重要意义.

结论:

• 深度学习,特别是GAT,为胚胎质量评估提供了一个高度准确和高效的方法.
• 这种人工智能驱动的方法可以通过优化胚胎选择来显著帮助提高试管婴儿成功率.
• 该研究强调了先进的人工智能在革命性辅助生殖技术方面的潜力.