基于人工智能与延时图像序列的鲁棒可泛化胚胎筛选
机器学习
2022-04-06 v1 计算机视觉与模式识别
摘要
评估并选择最具活力的胚胎进行移植是体外受精（IVF）的重要环节。近年来，已有若干方法利用人工智能（AI）和深度学习来改进并自动化该流程。基于具有已知着床数据（KID）的胚胎图像，AI 模型已被训练用于自动对胚胎与其成功着床概率相关的评分。然而，迄今为止，仅有有限研究评估胚胎筛选模型对新诊所的泛化能力，以及其在不同条件下的亚组分析表现。本文中，我们研究仅使用延时图像序列的基于深度学习的胚胎筛选模型在不同患者年龄与临床条件下的表现，以及其与传统形态动力学参数的相关性。该模型基于来自 18 家 IVF 中心的包含 115,832 个胚胎的大型数据集进行训练与评估，其中 14,644 个为已移植的 KID 胚胎。在独立测试集中，AI 模型对 KID 胚胎排序的受试者工作特征曲线下面积（AUC）为 0.67，对所有胚胎的 AUC 为 0.95。诊所留出测试显示模型可泛化至新诊所，KID 胚胎 AUC 范围为 0.60–0.75。在不同年龄、受精方式、培养时间和移植方案的亚组中，AUC 介于 0.63 与 0.69 之间。此外，模型预测与囊胚评级呈正相关，与直接卵裂呈负相关。全自动化 iDAScore v1.0 模型被证明至少与最先进的手动胚胎筛选模型表现相当。而且，胚胎评分的完全自动化意味着更少的人工评估，并消除了由于观察者间与观察者内差异带来的偏倚。
引用
@article{arxiv.2103.07262,
title = {Robust and generalizable embryo selection based on artificial intelligence and time-lapse image sequences},
author = {Jørgen Berntsen and Jens Rimestad and Jacob Theilgaard Lassen and Dang Tran and Mikkel Fly Kragh},
journal= {arXiv preprint arXiv:2103.07262},
year = {2022}
}