将合成和真实胚胎数据合并为先进的AI预测
Oriana Presacan1, Alexandru Dorobanţiu2, Vajira Thambawita3
1Faculty of Electronics, Telecommunications, and Information Technology, National University of Science and Technology Politehnica Bucharest, 061071, Bucharest, Romania. orianapresacan@gmail.com.
由人工智能生成的合成胚胎图像提高了辅助生殖技术中的胚胎分类准确性. 这种人工智能驱动的方法提高了可行性评估,通过结合真实和合成数据来实现97%的准确性.
科学领域:
- 生殖医学 生殖医学
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 准确的胚胎形态评估对于成功的辅助生殖技术 (ART) 是至关重要的.
- 有限的胚胎数据集阻碍了对人工智能驱动的胚胎评估深度学习模型的培训.
- 人工智能 (AI) 提供了增强胚胎生存能力选择的潜力.
研究的目的:
- 开发和评估用于创建合成胚胎图像的生成模型.
- 评估将合成胚胎图像纳入人工智能分类模型培训数据集的影响.
- 为了比较不同生成模型 (扩散与GAN) 在生成现实的合成胚胎图像中的性能.
主要方法:
- 在真实胚胎图像数据集上训练了两个生成模型 (扩散和GAN),以在各种细胞阶段 (从2细胞到胚芽细胞) 产生合成图像.
- 结合真实和合成胚胎图像来训练人工智能分类模型来预测胚胎细胞阶段.
- 使用准确度指标评估模型性能,并在外部临床数据集上进行测试.
- 与胚胎学家进行了图灵测试,以评估合成图像的真实性.
主要成果:
- 整合合成图像将胚胎细胞阶段分类准确度提高到97%,而仅使用真实数据的分类准确率为94.5%.
- 仅在合成数据上训练的模型在真实数据上测试时达到92%的准确性.
- 扩散模型产生了比GAN更现实的合成图像,胚胎学家评估和较低的Fréchet发育距离得分证明了这一点.
结论:
- 使用人工智能的合成胚胎图像生成可以显著提高ART中的胚胎分类模型的准确性.
- 人工智能生成的合成数据可以有效地增强有限的现实世界数据集,提高模型的稳定性和性能.
- 与用于ART应用的GAN相比,扩散模型在生成高准确度合成胚胎图像方面表现优越.
更多相关视频
06:49A Semi-high-throughput Imaging Method and Data Visualization Toolkit to Analyze C. elegans Embryonic Development
Published on: October 29, 2019
05:13Author Spotlight: Advancing Therapeutic Strategies for Improving Pregnancy Rates by Analyzing Embryo-Endometrium Interactions
Published on: June 21, 2024
相关概念视频
Fertilization
Improving Translational Accuracy
Improving Translational Accuracy
In Vitro Fertilization
The IVF process begins with ovarian stimulation, during which reproductive endocrinologists prescribe hormonal medications to stimulate the ovaries to produce multiple eggs instead of the single...
