基于极体形态与临床特征的集成模型预测 ICSI 受精成功率

《Scientific Reports》：Multimodal ensemble machine learning pipeline for oocyte fertilization prediction using first polar body morphology and clinical factors

　　

摘要

尽管机器学习在体外受精（IVF）领域的应用日益广泛，但目前的研究主要集中在胚胎层面数据上，这些数据反映了卵子和精子受精后的发育阶段。然而，关于卵子的研究较为有限，而卵子是决定IVF成功与否的关键因素。本研究提出了一个集成学习流程，旨在通过结合形态学图像数据和临床特征来预测成功受精（即双原核（2PN）的形成）——这一过程发生在胞浆内精子注射（ICSI）之后。此外，本研究还探讨了第一极体（PBI）对分析流程的影响。我们的流程输入包括一个完整的第二次减数分裂（MII）期卵子图像、其PBI的分割结果以及数值化的临床细胞特征。我们评估了两种常见的机器学习模型：随机森林（Random Forest）和极端梯度提升（XGBoost），以根据数值特征预测受精结果。实验结果表明，XGBoost的表现更为优异，更适合处理这种特定的数值数据集。进一步的研究发现，整合PBI图像能够显著提升流程的预测能力，最高AUC值达到了0.82。后续分析表明，PBI的形态学特征在集成框架中具有重要的预测价值。