基于特征优化与Transformer模型的IVF活产成功预测集成优化与深度学习管线
人工智能
2024-12-30 v1
摘要
体外受精（IVF）是广泛应用的辅助生殖技术，但由于临床、人口学和程序性因素之间的复杂相互作用，预测其成功率仍具有挑战性。本研究开发了旨在预测IVF治疗中活产结果的稳健人工智能（AI）管线。该管线使用来自2010至2018年的去标识化数据，数据来源于人类受精和着床局势局 (HFEA)。我们通过整合不同的特征选择方法（如主成分分析（PCA）和粒子群优化（PSO）），以及不同的传统机器学习基于分类器（包括随机森林（RF）和决策树），以及深度学习基于分类器（包括自定义基于Transformer的模型和带有注意力机制的TabTransformer模型），来评估活产成功作为二元结果（成功/失败）的预测性能。我们的研究表明，最佳性能通过组合PSO进行特征选择与TabTransformer基于深度学习模型，实现了99.50%的准确率和99.96%的AUC，凸显了其显著的预测活产能力。该研究建立了一个高度准确的AI管线，用于预测IVF中的活产结果，展示了其潜在的个性化生殖治疗能力。
引用
@article{arxiv.2412.19696,
title = {An Integrated Optimization and Deep Learning Pipeline for Predicting Live Birth Success in IVF Using Feature Optimization and Transformer-Based Models},
author = {Arezoo Borji and Hossam Haick and Birgit Pohn and Antonia Graf and Jana Zakall and S M Ragib Shahriar Islam and Gernot Kronreif and Daniel Kovatchki and Heinz Strohmer and Sepideh Hatamikia},
journal= {arXiv preprint arXiv:2412.19696},
year = {2024}
}