一个机器学习模型用于预测短期授精后使用胚胎图像预测受精
Masato Saito1,2, Hirofumi Haraguchi1, Ikumi Nakajima1
1Matsumoto Ladies IVF Clinic Tokyo Japan.
Reproductive medicine and biology
|April 17, 2025
概括
一个机器学习模型 (MLM) 从胚胎图像准确地预测受精,与专家胚胎学家相匹配. 这种人工智能工具有助于早期拯救ICSI决策,并改善患者的治疗结果.
科学领域:
- 生殖医学 生殖医学
- 医疗保健中的人工智能
- 胚胎学 胚胎学
背景情况:
- 早期预测受精对于及时干预辅助生殖技术至关重要.
- 胚胎学家对受精的手动评估可能是主观的,耗时的.
- 机器学习为客观和高效的胚胎评估提供了一个潜在的解决方案.
研究的目的:
- 开发和评估一种机器学习模型 (MLM),用于使用胚胎图像预测受精后的受精.
- 为了比较MLM的预测性能与胚胎学家的手动分类.
- 评估MLM对于早期救援的实用性 内细胞质精子注射 (ICSI).
主要方法:
- 胚胎图像是在输精后4.5小时和8小时获得的.
- ResNet50用于图像预处理和矢量提取.
- 轻度梯度增强机 (轻度GBM) 用于模型训练.
- 受精预测被MLM评估,并与高级和初级胚胎学家的分类进行了比较.
主要成果:
- 微型胚胎测试的准确度为0.71±0.01,超过了初级胚胎学家 (0.61±0.05).
- 在MLM和高级胚胎学家之间没有发现显著差异 (准确率为0.75±0.05).
- 对于回忆,F1得分和曲线下的面积,观察到类似的趋势,MLM的表现与高级胚胎学家相比.
结论:
- 开发的MLM通过分析胚胎图像中的微妙细胞质变化,有效地预测受精.
- 该模型显示了在早期救援ICSI程序中增强临床决策的潜力.
- 整合像这种MLM这样的AI工具可以在生育治疗中改善患者的结果.
更多相关视频
05:13Author Spotlight: Advancing Therapeutic Strategies for Improving Pregnancy Rates by Analyzing Embryo-Endometrium Interactions
Published on: June 21, 2024
693
11:25Quantitative Analysis of Protein Expression to Study Lineage Specification in Mouse Preimplantation Embryos
Published on: February 22, 2016
10.8K
