一种可解释的人工智能方法来区分具有相似或相同形态等级的胚胎细胞

科学领域:

• 生殖医学和胚胎学
• 医疗保健中的人工智能
• 在体外受精 (IVF) 技术

背景情况:

• 虽然加德纳分级系统是标准的,但在区分具有相似的内部细胞质量 (ICM) 和体 (TE) 等级的芽细胞囊方面存在挑战.
• 人类对胚胎囊活产潜力的评估是主观和不一致的,影响临床决策.
• 需要一种定量,客观的方法来评估胚胎细胞质量,并预测活产生的结果.

研究的目的:

• 开发一种定量,可解释的深度学习模型,用于区分具有相似ICM和TE等级的囊胞.
• 创建一种准确反映胚胎细胞活产潜力的方法.
• 为了提高胚胎囊评估在IVF的客观性和一致性.

主要方法:

• 开发了BlastScoringNet,一个深度学习模型,使用Gardner等级的2760个芽细胞的数据集.
• 将该模型应用于15228个胚胎细胞的活产数据集,以生成连续的ICM和TE分数.
• 在一个外部数据集上验证了该模型的概括性,该数据集包括1455个胚胎细胞和476个活产生的结果.

主要成果:

• BlastScoringNet在分级囊扩张度,ICM和TE形态方面取得了高准确性 (AUC分别为0.997,0.903和0.943).
• 由BlastScoringNet生成的更高的连续ICM和TE得分与增加的活产率显著相关 (P < 0.0001).
• 该模型在两个独立机构中显示出一致的性能和与活产率的相关性.

结论:

• BlastScoringNet提供了一个可解释的,定量方法,用于胚胎细胞评估,补充了加德纳分级系统.
• 该模型对ICM和TE形态的连续得分是活产潜力的重要预测指标.
• BlastScoringNet显示了临床实用性和通用性,有可能改善试管婴儿中的胚胎细胞选择.