深度学习分类将胚胎图像与来自ART周期的相关临床信息整合在一起
Mohamed Salih1, Christopher Austin2, Krishna Mantravadi3
1Department of Obstetrics and Gynaecology, Monash University, 246 Clayton Road, Clayton, VIC, 3168, Australia.
Scientific reports
|May 21, 2025
概括
人工智能 (AI) 通过整合患者数据和胚胎图像来提高试管婴儿成功预测. 结合临床信息和胚胎细胞图像的融合AI模型在预测怀孕结果方面取得了最高的准确性.
科学领域:
- 生殖医学 生殖医学
- 人工智能的人工智能
- 计算机视觉 计算机视觉
背景情况:
- 在单个胚胎移植 (SET) 中预测临床怀孕结果仍然具有挑战性.
- 现有的方法通常仅依赖于临床数据或静态胚胎图像.
- 通过整合多种数据源,先进的人工智能有可能提高预测准确性.
研究的目的:
- 开发和评估先进的人工智能 (AI) 模型,用于预测SET程序中的临床怀孕和活产结果.
- 为了比较AI模型的预测性能,使用临床数据,胚胎囊图像和两者的融合.
- 通过AI模型可视化识别影响怀孕预测的关键临床和胚胎特征.
主要方法:
- 开发了三种人工智能模型:用于患者数据的临床多层感知器 (MLP),用于胚胎细胞图像的图像卷积神经网络 (CNN),以及结合两者的融合模型.
- 在1503个国际试管婴儿治疗周期中训练和测试模型.
- 使用精度,平均精度和曲线下面面积 (AUC) 评估模型性能.
- 利用可视化过程来确定特征的重要性.
主要成果:
- 临床MLP模型实现了81.76%的准确性,90%的平均精度和0.91的AUC.
- 图像CNN模型实现了66.89%的精度,74%的平均精度和0.73 AUC.
- 融合模型表现出卓越的性能,准确度为82.42%,平均精度为91%,AUC为0.91.
- 女性和男性的年龄被确定为关键的临床因素,而Trophectoderm是最重要的胚胎细胞特征.
结论:
- 通过融合人工智能模型将患者的临床信息与胚胎细胞图像集成,可以显著提高试管婴儿临床怀孕结果的预测.
- 人工智能模型,特别是融合方法,通过提供更明智的预测,为提高试管婴儿成功率提供了强大的工具.
- 该研究强调了人工智能在生殖医学中的潜力,以优化治疗策略和患者护理.
