机器学习和微流体集成用于卵细胞质量预测
Hassan Saffari1, Davood Fathi2, Peyman Palay3
1Department of Electrical and Computer Engineering, Tarbiat Modares University (TMU), Tehran, Iran.
Scientific reports
|July 21, 2025
概括
这项研究引入了一种新的微流体机器学习框架,以提高体外受精 (IVF) 的卵细胞质量预测. 该系统使用生物力学特征来提高评估卵细胞生存能力的准确性,以便更好地选择胚胎.
科学领域:
- 生物医学工程 生物医学工程
- 生殖技术 生殖技术
- 机器学习 机器学习
背景情况:
- 试管婴儿受精 (IVF) 的成功率仍然低于最佳水平,这凸显了对卵细胞质量评估的改进方法的需求.
- 目前评估卵子质量的方法往往缺乏客观性和预测准确性.
研究的目的:
- 开发和评估基于微流体的机器学习框架,以提高卵细胞质量预测.
- 将生物力学特征与机器学习算法集成,以提高预测试管婴儿结果的准确性.
主要方法:
- 在微流体道中分析不成熟的卵细胞,提取皮质张力 (CT) 和变形指数 (DI) 等生物力学特征.
- 还测量了卵细胞直径和临界流量 (Q).
- 监督 (例如,随机森林) 和无监督 (例如,聚合集群) 的机器学习模型应用于54个卵细胞的数据集.
主要成果:
- 随机森林模型实现了最高的分类准确性 (76.10%与K-Fold交叉验证).
- 聚合集群显示了卵细胞之间有效的分组模式 (轮得分 = 0.49).
- 该研究成功地将生物力学分析与机器学习相结合,以客观评估卵细胞.
结论:
- 拟议的微流体机器学习框架显著提高了卵细胞质量预测的客观性和准确性.
- 这种方法显示出改善胚胎选择策略和优化辅助生殖技术 (ART) 中试管婴儿结果的希望.
