Matthew人工智能技术预测人类胚胎的存活率

本视频拍摄于第35届欧洲人类生殖与胚胎学学会年会ESHRE2019现场。本视频翻译由ART大会 张诗敏完成。

人工智能（AI）技术可以在多个实验室中预测人类胚胎的存活率，具备较高准确性和可重复性

从世纪之交开始，人们就一直在寻找评估胚胎质量的尺度。

2007年，我们选择了20000张胚胎图片，制定了Gardner评估尺度。

这是一种主观的通过人眼视察获得的评分系统。

Gardner评分体系分为三部门：

1.扩张水平 2.内细胞团3.滋养层细胞

美国科学家一直在试图对评估胚胎质量提出可靠的尺度体系，并在国际上形成了配合意见，合并以色列的尺度。

于2010年，将形貌性评分品级分为：good ，fair，和 poor.

伊斯坦布尔共识

Numeric ScaleGrade评分系统，通过对4阶段发育水平，3阶段内细胞团品级和3品级的滋养层细胞综合。

为胚胎制定出数字品级尺度。

对于同一囊胚，差别评价体系的评分多样。

Gardner：3BB

SART评分：Fair

Alpha 共识评分：322

传统的依靠胚胎学家肉眼视察来评估的系统

胚胎评测事情是无可制止的存在主观性和偏见性的，无法广泛使用，且重复性差。

是否可以通过其他技术手段来做出胚胎的选择呢？

日益增长的AI需求趋势

近年在各个国际大会上AI/Machine Learning 被多次引用提及。其中2018年：ASRM提出9次。ESHRE提出7次。

2019年，投稿摘要中提出11次

主题词有：AI，Machine Learning（机械自主学习），Computer Vision（电脑视角）

引出主题

本次研究设计和方法：

1.20000个D5囊胚的静态分析2D图像

2.尺度的相差显微镜照片

3.来自12个实验室512×512像素的图像

4.以见胎心作为胚胎存活下来的依据

AI vs MachineLearning vs Deep Learning（深度学习）

三者关系是machine learning 包罗deeplearning，AI包罗machine learning

deep learning能观察到看到人肉眼看不到的胚胎异常之处

computer vision 在deeplearning基础之上越发准确而且自动找出胚胎异常之处

验证\评估临床应用人工智能的质量

(从左向右)训练

AI选择胚胎的验证

单盲验证：同样的中心

双盲验证：新中心

测试人工智能准确性和稳健性的关键验证数据集

第一阶段设计-单中心试点研究

5332个D5囊胚的图片

training数据3892个图像

验证数据库390个图像

单盲测试1368个图像

单盲设计2682个图像

AI vs 胚胎学家的准确率对比

效果显示AI的准确率显着比胚胎学家高

敏感性和特异性：

AI准确性的频率仍高于胚胎学家的错误率，反之亦然

第二阶段训练设计--国际多中心研究

包罗来自美国、澳大利亚、马来西亚和新西兰12其中心的数据，对AI举行学习训练。

AI在Blindtest 1的敏感性和特异性

AI的ROC曲线下面积大于胚胎学家

总结：

1.确定胚胎存活率的总体准确率为67.7%

2.30.8%准确率的提高VS胚胎学家评估

3.在差别的中心有稳定的25%个点的准确率的提升，与胚胎学家评估对比

4.AI模式是通过尺度化的胚胎评估而显现价值

5.第一次是通过相差显微镜的2D图像来出现

6.选择到好的胚胎=提高妊娠率

7.准确性会随着数据库的增大而不停提高

End