一个可解释的基于超声波的机器学习模型,用于预测冷胚胎移植后的生殖结果
Fangfang Xu1, Qianqing Ma2, Penghao Lai3
1Department of Ultrasound, The First Affiliated Hospital of Anhui Medical University, Anhui, P. R. China.
Reproductive biomedicine online
|April 8, 2025
概括
一个新的机器学习模型准确地预测了冷胚胎移植 (FET) 后的生殖结果. 这种可解释的AI方法整合了临床数据和超声波成像,帮助临床决策,以改善患者护理.
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
- 医学成像分析分析 医学成像分析
背景情况:
- 预测冷胚胎移植 (FET) 中的生殖结果对于个性化不育治疗至关重要.
- 当前的预测方法往往缺乏准确性和可解释性.
研究的目的:
- 开发和验证一个最佳的机器学习模型来预测FET后的生殖结果.
- 通过提供可解释的预测来增强临床决策.
主要方法:
- 一项针对787名接受FET治疗的不孕女性进行的前性研究.
- 开发一种融合机器学习模型,使用XGBoost算法集成超声图像和临床数据的放射学特征.
- 使用接收器运行特征曲线 (AUC) 下的面积和通过SHapley添加式扩展 (SHAP) 的特征解释进行性能评估.
主要成果:
- 融合模型在训练队列中实现了0.861的优异AUC,显著超过临床 (AUC0.680) 和放射学 (AUC0.814) 模型.
- 放射学分数 (rad分数) 被确定为预测模型中最具影响力的特征.
- SHAP分析为个体患者的预测提供了详细的特征贡献.
结论:
- 成功开发了一种可解释的机器学习模型,使用临床数据和超声波衍生放射学来预测FET结果.
- SHAP方法提高了临床医生的预测因素的理解,使FET接受的个体患者能够做出更明智的决策.
