基于AI分割模型自动测量囊胚横截面积及其扩张特征对妊娠结局的预测价值

《Reproductive Biology and Endocrinology》：Quantitative blastocyst expansion features derived via deep learning from time-lapse sequences predict clinical outcomes

　　

摘要

背景

在囊胚阶段，胚胎选择仍主要依据 Gardner 和 Schoolcraft 评分系统进行形态学评估，尽管该方法存在主观性强且缺乏定量标准的问题。通过延时培养箱进行连续培养监测，使得基于深度学习的 AI 系统能够分析延时图像，并根据胚胎导致妊娠的可能性对其进行排序。然而，具体有哪些发育特征对 AI 胚胎排序产生影响仍然 largely unclear。我们旨在开发一种 AI 工具，自动测量囊胚的横截面积 (CSA)。利用 CSA 衍生的扩张特征，既独立使用也与其他特征结合，评估其对临床结局的预测价值。

方法

回顾性队列研究，包括 280 例患者，这些患者在延时胚胎培养后接受了单囊胚的新鲜胚胎移植。开发了一种分割模型，从延时图像中测量囊胚 CSA，从囊胚形成开始直至受精后 112-116 小时，生成扩张曲线。从这些曲线中提取囊胚扩张的定量特征。扩张特征、静态图像卷积神经网络衍生特征以及年龄等临床参数被用于不同的预测模型，以评估哪些因素具有预测价值。

结果

该分割模型在 CSA 测量中取得了高精度 (Jaccard 指数为 97.6%)。导致生化妊娠或具有胎心搏动的临床妊娠的囊胚，其扩张速度显著快于未导致妊娠的囊胚。使用临床和扩张特征预测生化妊娠和具有胎心搏动的临床妊娠的预测模型，其受试者工作特征曲线下面积 (ROC-AUC) 分别为 0.69 和 0.67。该性能与市售 AI 工具 iDAScore v2.0 相当。

结论

我们的分割模型能够自动确定与妊娠结局相关的定量扩张特征。这些特征的定量特性可补充现有评分系统，为胚胎选择提供更稳健的框架。需要在更大队列中进一步研究以确认我们的发现并探索更多具有预测价值的定量特征。