用深度学习胚胎排名预测出生时间:一种新的多重归因方法
Lorena Bori1, Martin Nygård Johansen2, Jørgen Berntsen2
1IVIRMA Global Research Alliance, IVIRMA Valencia, IVI Foundation, Instituto de Investigación Sanitaria La Fe (IIS La Fe), Valencia, Spain.
Human reproduction (Oxford, England)
|June 13, 2025
概括
胚胎选择算法可以通过更好地预测活产时间 (TTLB) 来改善体外受精 (IVF) 的成功. 这些人工智能工具显示,与手工分级相比,有潜力减少所需的试管婴儿移植数量.
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:
- 估计胚胎选择算法的临床实用性是复杂的,因为未被移植胚胎的未知结果.
- 之前的研究使用了有偏见的样本或构建数据,限制了可靠性.
研究的目的:
- 评估胚胎选择算法的临床实用性,以预测活产时间 (TTLB).
- 为了比较算法与手动胚胎分类的预测准确度.
主要方法:
- 对3,783次试管婴儿治疗 (2015-2022) 的回顾性队列研究.
- 利用链式方程 (MICE) 的多重归算来估计非移植胚胎的结果.
- 将深度学习算法的性能与手动排名进行了比较.
主要成果:
- 深度学习算法预测平均TTLB为1.68个转移,比手动排名 (1.78个转移) 短6.1%.
- 算法表现显示,受体运行特征曲线 (AUC) 下的面积在人群层面为0.633,在治疗层面为0.672.
结论:
- 胚胎选择算法通过提高TTLB预测来提高试管婴儿治疗疗效的潜力.
- 这些算法可能会增加活产率和辅助生殖技术的整体成功率.
- 估计的TTLB是一个近似值,受胚胎质量以外的因素的影响,并且特定于所使用的数据集.


