联合任务适应性学习,用于个性化选择人类试管婴儿衍生胚胎

科学领域:

• 生殖医学 生殖医学
• 人工智能的人工智能
• 数据 隐私 数据 隐私 数据

背景情况:

• 在体外受精 (IVF) 的成功取决于手动胚胎评估,这是耗时和劳动密集的.
• 人工智能 (AI) 提供自动评估,但由于集中数据训练,面临隐私挑战.
• 开发用于试管婴儿的隐私保护人工智能对于提高治疗疗效和患者保密至关重要.

研究的目的:

• 开发一个分布式的人工智能系统,FedEmbryo,用于在试管婴儿中进行个性化胚胎选择.
• 为解决与集中人工智能培训在生育治疗中的数据隐私问题.
• 提高胚胎评估的准确性和效率,以改善试管婴儿的结果.

主要方法:

• 开发了FedEmbryo,这是一个使用联合学习 (FL) 来进行隐私保护培训的分布式AI系统.
• 引入了一个联合的任务适应性学习 (FTAL) 方法,具有层次动态权重适应 (HDWA).
• 在FL内集成的多任务学习 (MTL),以适应跨临床场所的多样化学习任务.

主要成果:

• 与本地模型相比,FedEmbryo在胚胎的形态估值方面表现优越.
• 该系统在预测各种试管婴儿方案中活产结果方面取得了更高的准确性.
• 在实验评估中,FedEmbryo的表现优于最先进的联合学习方法.

结论:

• 联邦胚胎提供了一个保护隐私的,分散的AI解决方案,以增强试管婴儿临床决策.
• 该系统擅长捕捉特定阶段的胚胎特征,并预测关键的试管婴儿结果.
• 通过人工智能,FedEmbryo代表了提高试管婴儿成功率的实际进展.