机器学习模型的开发和验证,用于预测试管婴儿周期中的胚胎细胞产量

科学领域:

• 生殖医学 生殖医学
• 在体外受精 (IVF)
• 医疗保健中的机器学习

背景情况:

• 预测胚胎细胞形成对于试管婴儿临床决策至关重要,但对胚胎细胞产量的定量预测仍然具有挑战性.
• 现有的研究往往侧重于任何胚胎囊的存在,而不是数量,限制了扩展胚胎培养的精确决策.

研究的目的:

• 开发和验证一个定量预测工具,用于估计在试管婴儿周期中的胚胎细胞产量.
• 为了比较机器学习模型的性能与用于胚胎细胞预测的传统回归.
• 确定影响囊胞形成的关键预测因子,以获得更好的临床见解.

主要方法:

• 使用并比较支持向量机 (SVM),LightGBM和XGBoost机器学习模型与线性回归.
• 在回归任务中使用R平方和平均绝对误差验证模型性能.
• 使用多分类准确度和kappa系数,分层预测和实际收益率来评估区分性表现.

主要成果:

• 机器学习模型 (R²: 0.673-0.676) 的表现优于线性回归 (R²: 0.587).
• 由于其效率 (8个功能) 和可解释性,LightGBM被选为最佳模型.
• 该模型在多种分类任务中获得了强大的准确性 (0.675-0.71),主要预测因素包括扩展培养胚胎,3日平均细胞数和8细胞胚胎的比例.

结论:

• 机器学习,特别是LightGBM,提供了一个强大的和可解释的工具,用于预测IVF中的胚胎细胞产量.
• 开发的模型提供了有价值的定量见解,以支持关于扩展胚胎培养的个性化临床决策.
• 识别关键预测因素可以提高对影响胚胎细胞发育的因素的理解,为优化试管婴儿协议铺平道路.