通过超声波菌株分析和机器学习预测体外受精结果:一项多中心研究
Anyi Cheng1, Yizhou Huang2, Connie Rees3
1School of Information Science and Technology, ShanghaiTech University, Shanghai, China; Department of Electrical Engineering, Eindhoven University of Technology, Eindhoven, Netherlands; Shanghai Advanced Research Institute, Chinese Academy of Sciences, Shanghai, China.
The ultrasound journal
|February 25, 2026
概括
通过超声波和机器学习评估子宫周平静脉可以预测体外受精 (IVF) 的成功. 该方法确定了子宫运动的关键特征,以提高胚胎植入率并支持临床决策.
科学领域:
- 生殖医学是一种生殖医学.
- 医学成像分析分析 医学成像分析
- 机器学习在医疗保健中的应用
背景情况:
- 在体外受精 (IVF) 的成功率受到高失败率的阻碍,通常是由于未知的原因.
- 受到子宫周平静的影响的子宫受容性是成功植入胚胎的关键因素.
- 精确评估子宫周平静止对于改善试管婴儿结果至关重要.
研究的目的:
- 开发和验证用于预测试管婴儿成功的机器学习框架.
- 为了确定与临床怀孕相关的子宫周平静的关键特征.
- 加强胚胎移植 (ET) 之前的临床决策.
主要方法:
- 一项前性研究涉及62名多个生育中心的试管婴儿患者.
- 用斑点追踪分析了四分钟的经阴道超声波 (TVUS) 扫描,以提取25个子宫周静止特征.
- 使用支持矢量机 (SVM),K-最近邻居 (KNN) 和自适应提升 (AdaBoost) 分类器,进行特征选择和嵌套的8倍交叉验证进行评估.
主要成果:
- 与子宫周立体协调和频率相关的特征与临床怀孕有很强的相关性.
- SVM模型实现了最高的分类性能,ROC曲线下的平均面积为0.81.1.
- 开发的框架证明了可靠和可概括的分类性能.
结论:
- 使用TVUS数据的新型机器学习框架可以有效预测试管婴儿的结果.
- 该SVM模型准确地识别出可预测怀孕的显著子宫运动特征.
- 这种方法为临床医生提供了一种有价值的工具,可以提高试管婴儿成功率.


