An artificial intelligence tool predicts blastocyst development from static images of fresh mature oocytes
Notice bibliographique
Résumé
RESEARCH QUESTION: Can a deep learning image analysis model be developed to assess oocyte quality by predicting blastocyst development from images of denuded mature oocytes? DESIGN: A deep learning model was developed utilizing 37,133 static oocyte images with associated laboratory outcomes from eight fertility clinics (six countries). A subset of data (n = 7807) was allocated to test model performance. External model validation was conducted to assess generalizability and robustness on new data (n = 12,357) from two fertility clinics (two countries). Performance was assessed by calculating area under the curve (AUC), balanced accuracy, specificity and sensitivity. Subgroup analyses were performed on the test dataset for age group, male factor and geographical location of the clinic. Model probabilities of the external dataset were converted to a 0-10 scoring scale to facilitate analysis of correlation with blastocyst development and quality. RESULTS: The deep learning model demonstrated AUC of 0.64, balanced accuracy of 0.60, specificity of 0.55 and sensitivity of 0.65 on the test dataset. Subgroup analyses displayed the highest performance for age group 38-39 years (AUC 0.68), a negligible impact of male factor, and good model generalizability across geographical locations. Model performance was confirmed on external data: AUC of 0.63, balanced accuracy of 0.58, specificity of 0.57 and sensitivity of 0.59. Analysis of the scoring scale revealed that higher scoring oocytes correlated with higher likelihood of blastocyst development and good-quality blastocyst formation. CONCLUSION: The deep learning model showed a favourable performance for the evaluation of oocytes in terms of competence to develop into a blastocyst, and when the predictions were converted into scores, they correlated with blastocyst quality. This represents a significant first step in oocyte evaluation for scientific and clinical applications.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».