题目:A non-invasive artificial intelligence approach for the prediction of human blastocyst ploidy: a retrospective model development and validation study
作者:Josue Barnes, Matthew Brendel, Vianne R Gao, Suraj Rajendran, Junbum Kim, Qianzi Li, Jonas E Malmsten, Jose T Sierra, Pantelis Zisimopoulos, Alexandros Sigaras, Pegah Khosravi, Marcos Meseguer, Qiansheng Zhan, Zev Rosenwaks, Olivier Elemento, Nikica Zaninovic, Iman Hajirasouliha
发表期刊:Lancet Digit Health
发表时间:January 2023
摘要
研究背景
体外受精领域面临的一个挑战是选择最具生存能力的胚胎进行移植。传统的形态学质量评估和形态动力学分析都存在观察者之间和观察者内的变异性。另一种方法,胚胎植入前的基因检测(PGT-A),也有其局限性,包括侵入性和成本。我们假设胚胎的染色体异常与正常性,其差异能够通过模型基于形态学、形态动力学和相关临床信息进行分类。
研究目标
本研究旨在开发一种非侵入性、自动化的胚胎评估方法STORK-A,使用人工智能预测胚胎的染色体状态。
研究内容
在这项回顾性研究中,我们采用了机器学习和深度学习方法,使用包含10,378个胚胎的数据集,这些数据集包含了在卵细胞浆内单精子注射后110小时捕获的静态图像、形态动力学参数、囊胚形态评估、母亲年龄和染色体状态。为了测试STORK-A的普适性,我们使用了独立和外部数据集Weill Cornell Medicine EmbryoScope+ (WCM-ES+; 美国纽约Weill Cornell Medicine生殖医学中心) 和 IVI Valencia (西班牙瓦伦西亚IVI Valencia, Health Research Institute la Fe)。
研究结果
STORK-A预测异常胚胎与正常胚胎的准确率为69.3%(95% CI 66.9–71.5;AUC 0.761;阳性预测值[PPV] 76.1%;阴性预测值[NPV] 62.1%),使用图像、母亲年龄、形态动力学和囊胚评分。第二个分类任务,预测复杂异常与正常和单一异常的准确率为74.0%(95% CI 71.7–76.1;AUC 0.760;PPV 54.9%;NPV 87.6%)。第三个分类任务,预测复杂异常与正常的准确率为77.6%(95% CI 75.0–80.0;AUC 0.847;PPV 76.7%;NPV 78.0%)。STORK-A在WCM-ES+数据集上的准确率为63.4%(AUC 0.702),在IVI Valencia数据集上的准确率为65.7%(AUC 0.715),显示出与STORK-A测试数据集的准确率67.8%(AUC 0.737)相似的普适性。
研究意义
作为一个概念验证,STORK-A展示了以非侵入性方式预测胚胎染色体状态的能力,并展示了作为传统胚胎选择方法的标准化补充及植入或推荐PGT-A的未来潜力。
引言
研究的背景强调了体外受精中选择优质胚胎的难题,指出了现有评估方法的局限,包括主观性强和成本高昂。研究目标是开发一个名为STORK-A的工具,利用人工智能以非侵入的方式对胚胎的染色体状态进行预测。研究内容涉及了使用一个大规模研究的背景强调了体外受精中选择优质胚胎的难题,指出了现有评估方法的局限,包括主观性强和成本高昂。研究目标是开发一个名为STORK-A的工具,利用人工智能以非侵入的方式对胚胎的染色体状态进行预测。研究内容涉及了使用一个大规模的胚胎数据集,包括静态图像、形态动力学参数、母亲年龄和囊胚评分,采用了机器学习和深度学习技术。
研究结果表明,STORK-A在预测胚胎染色体状态(即异常与正常)方面取得了一定的准确率,并且在不同的数据集上显示出了普适性。这表明STORK-A能够跨越不同的临床环境