[go: up one dir, main page]

CN116884501A - 基于胚胎形成学评分的囊胚形成预测方法、系统及设备 - Google Patents

基于胚胎形成学评分的囊胚形成预测方法、系统及设备 Download PDF

Info

Publication number
CN116884501A
CN116884501A CN202311056188.7A CN202311056188A CN116884501A CN 116884501 A CN116884501 A CN 116884501A CN 202311056188 A CN202311056188 A CN 202311056188A CN 116884501 A CN116884501 A CN 116884501A
Authority
CN
China
Prior art keywords
blastocyst
blastula
formation
prediction model
embryogenesis
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202311056188.7A
Other languages
English (en)
Other versions
CN116884501B (zh
Inventor
蔡嘉力
蒋晓明
刘兰兰
刘振方
陈菁华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
73rd Army Hospital Of Chinese Pla
Original Assignee
73rd Army Hospital Of Chinese Pla
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 73rd Army Hospital Of Chinese Pla filed Critical 73rd Army Hospital Of Chinese Pla
Priority to CN202311056188.7A priority Critical patent/CN116884501B/zh
Publication of CN116884501A publication Critical patent/CN116884501A/zh
Application granted granted Critical
Publication of CN116884501B publication Critical patent/CN116884501B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B5/00—ICT specially adapted for modelling or simulations in systems biology, e.g. gene-regulatory networks, protein interaction networks or metabolic networks
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Public Health (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Epidemiology (AREA)
  • Databases & Information Systems (AREA)
  • Biotechnology (AREA)
  • Biophysics (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Bioethics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Physiology (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • Primary Health Care (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于胚胎形成学评分的囊胚形成预测方法、系统及设备，涉及辅助生殖技术领域，该方法包括：收集患者的胚胎形态学信息，并构建训练集和验证集；基于所述训练集，利用广义估计方程进行建模，得到囊胚形成预测模型；基于所述验证集对所述囊胚形成预测模型进行验证和校准；通过校准后的囊胚形成预测模型预测囊胚是否形成。本发明能够定量第生成单个胚胎和患者个体的囊胚形成机会，为临床决策提供依据。

Description

基于胚胎形成学评分的囊胚形成预测方法、系统及设备
技术领域
本发明涉及辅助生殖技术领域，特别涉及一种基于胚胎形成学评分的囊胚形成预测方法、系统及设备。
背景技术
致的多胎妊娠及相关并发症是威胁母婴健康的重要风险。对此目前的主要解决方案是推广单个囊胚移植(single blastocyst transfer，SBT)。SBT要求将受精后的胚胎在体外培养到第5或第6天，以获得可供移植的囊胚。在这个过程中，患者可能因为囊胚形成率低下而没有囊胚可以移植，同时错过了在受精后第三天移植卵裂期胚胎的机会。因此在受精后第三天做出临床决策，通过预测囊胚的形成率评估SBT的可行性对于ART的进行十分必要。
目前，判断ART患者是否进行SBT的决策主要依靠临床经验、第三天形成胚胎个数等较为模糊的指标，缺乏可重复性和可靠性。
发明内容
为了解决上述问题，本发明提供了一种基于胚胎形成学评分的囊胚形成预测方法、系统及设备。
为实现上述目的，本发明提供了如下方案：
一种基于胚胎形成学评分的囊胚形成预测方法，包括：
收集患者的胚胎形态学信息，并构建训练集和验证集；
基于所述训练集，利用广义估计方程进行建模，得到囊胚形成预测模型；
基于所述验证集对所述囊胚形成预测模型进行验证和校准；
通过校准后的囊胚形成预测模型预测囊胚是否形成。
可选地，在收集患者的胚胎形态学信息之前，还包括：
判断患者是否是符合入选标准的患者；符合入选标准的患者为排除任何辅助生殖技术禁忌症，且决定进行囊胚培养的患者。
可选地，所述胚胎形态学信息包括：受精后第一天是否发生早卵裂、受精后第三天细胞数、受精后第三天细胞碎片等级以及受精后第三天细胞对称情况。
可选地，所述囊胚形成预测模型的表达式如下：
p＝exp(y)/(1-exp(y))
y＝β1X1+...+βnXn+截距
其中，p表示囊胚形成预测值y表示中间量，Xn表示当前患者第n个胚胎形态学信息。
可选地，基于所述验证集对所述囊胚形成预测模型进行验证和校准，具体包括：
通过受试者工作特征曲线验证所述所述囊胚形成预测模型在所述验证集中的准确性；
将所述验证集输入至所述囊胚形成预测模型中，得到预测值；
以所述预测值为横坐标，以所述验证集对应的观测值为横坐标构建校准曲线；
对所述校准曲线进行线性和平滑拟合，得到拟合曲线；
根据所述拟合曲线的斜率和截距对所述囊胚形成预测模型进行校准。
可选地，在通过校准后的囊胚形成预测模型预测囊胚是否形成之后，还包括：
根据所述囊胚形成预测模型输出的囊胚形成的预测值计算当前患者无囊胚形成的累积概率。
本发明还提供了一种基于胚胎形成学评分的囊胚形成预测系统，包括：
训练集和验证集构建模块，用于收集患者的胚胎形态学信息，并构建训练集和验证集；
模型建立模块，用于基于所述训练集，利用广义估计方程进行建模，得到囊胚形成预测模型；
模型验证和校准模块，用于基于所述验证集对所述囊胚形成预测模型进行验证和校准；
预测模块，用于通过校准后的囊胚形成预测模型预测囊胚是否形成。
本发明还提供了一种电子设备，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行上述的基于胚胎形成学评分的囊胚形成预测方法。
本发明还提供了一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时实现上述的基于胚胎形成学评分的囊胚形成预测方法。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明提供了一种基于胚胎形成学评分的囊胚形成预测方法、系统及设备，通过患者的胚胎形态学信息利用广义估计方程进行建模，得到囊胚形成预测模型，并对该模型进行验证及校准，通过校准后的囊胚形成预测模型预测囊胚是否形成。本发明可定量第生成单个胚胎和患者个体的囊胚形成机会，为临床决策提供依据。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明提供的基于胚胎形成学评分的囊胚形成预测方法的流程图；
图2为囊胚形成预测模型在预测囊胚移植周期方面的表现示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
胚胎形态学评分是ART的重要环节，具有较高的可靠性和可重复性。本发明的目的是提供一种基于胚胎形成学评分的囊胚形成预测方法、系统及设备，在形态学评分完成后可定量第生成单个胚胎和患者个体的囊胚形成机会，为临床决策提供依据。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例一
如图1所示，本实施例提供的基于胚胎形成学评分的囊胚形成预测方法，包括以下步骤：
S1：收集患者的胚胎形态学信息，并构建训练集和验证集。
收集IVF患者的胚胎形态学信息，并进行初步的数据筛选和过滤，确认入选标准，构建数据集，数据集划分为训练集(devlopment set)和验证集(external validationset)，划分依据可以是数据收集的时间、地点等因素。确认受试者入选标准为排除任何辅助生殖技术禁忌症，且决定进行囊胚培养的患者。
胚胎形态学信息包括受精后第一天是否发生早卵裂；受精后第三天细胞数；受精后第三天细胞碎片等级；受精后第三天细胞对称情况。所有细胞形态学信息均基于特定时间点单次镜检观察结果。时间点的定义和观察的技术标准遵循欧洲人类生殖与胚胎学协会(ESHRE)发布的伊斯坦布尔共识。
S2：基于所述训练集，利用广义估计方程进行建模，得到囊胚形成预测模型。
广义估计方程(GEE)是在广义线性模型的基础上发展起来的，专门用于处理纵向数据等重复测量资料的统计模型，具体地，在本发明中用于处理来自同一个患者的不同胚胎的形态学测量资料。
GEE在广义线性模型的基础上引入了作业相关矩阵的概念。首先假设重复测量值独立，按照广义线性模型计算出β，而后根据当前的作业协方差阵，修正β的估计，重复这一过程直至收敛。
其中，对于第i个患者的第j个胚胎测量的囊胚形成(结果变量)有：
Yi＝(Yi1,Yi2,...,Yij)，(i＝1,2,...,k；j＝1,2,...,t)
指定Yij的边际期望(marginal expectation)是协变量Xij线性组合的已知函数：
E(Yij)＝μij，g(μij)＝β0+β1Xij1+β2Xij2+...+βpXijp
其中：g()称为联接函数，本发明中连接函数为logit link；β＝(β1…βp)为模型需要估计的参数向量。
指定Yij的边际方差(marginal variance)是边际期望的已知函数：
Var(Yij)＝V(μij)*Φ
其中：V(.)为已知函数；Φ为尺度参数(scale parameter)，表示Y的方差不能被V(μij)解释的部分。对二项分布而言，Φ＝1。
对Yij构建一个P*P维作业相关矩阵Ri(Φ)，用以表示因变量的各次重复测量值之间的相关性大小。
令Ai是一个P*P维对角矩阵，其作业协方差矩阵为Vi＝ΦAi 1/2Ri(α)Ai 1/2
据此得到的β估计方程为：
根据步骤S1中的训练集进行建模。胚胎形态学信息在纳入模型时被转化为哑变量。其中受精后第三天细胞数为连续变量，首先转换为如下分类变量：8细胞(对照级)、2-3细胞、4-6细胞、7细胞、9-11细胞、12-15细胞和致密化；而后转化为以8细胞为对照级的哑变量。受精后第三天细胞碎片等级以连续变量纳入模型。
y＝β1X1+...+βnXn+截距
其中，n为步骤S1中筛选的第n个变量，即胚胎形态学信息；β为第n个变量的系数。其具体公式为：
Y＝1.101+0.682*(是否发生早卵裂,是＝＝1)+(-4.327)*(2-3细胞胚胎，是＝＝1)+(-1.768)*(4-6细胞胚胎，是＝＝1)+(-0.665)*(7细胞胚胎，是＝＝1)+(-0.583)*(9-11细胞胚胎，是＝＝1)+(-0.303)*(12-15细胞胚胎，是＝＝1)+(-0.456)*(致密化胚胎，是＝＝1)+(-0.053)*(胚胎碎片率，百分比)+(-0.518)*(不均等卵裂，是＝＝1)；
最终预测值为p＝exp(y)/(1-exp(y)。
计算具体患者所有胚胎的单个胚胎囊胚形成率，进而计算患者没有囊胚形成的累积概率：累积概率＝1-∏(1-单个胚胎囊胚形成率)；其中∏为希腊字母表示连乘。
S3：基于所述验证集对所述囊胚形成预测模型进行验证和校准。
通过受试者工作特征曲线Receiver Operator Characteristic(ROC)检验囊胚形成预测模型在验证集中的区分能力(discriminatory power)。通过校准曲线(calibrationcurves)检验囊胚形成预测模型在验证集中预测值和观察值的一致性。具体方法为：以预测值为横坐标，以观察值为纵坐标，对验证集中每个个体数据(观察)进行线性和平滑拟合。根据线性拟合的结果得到拟合曲线的斜率和截距。根据斜率和截距校准预测值。其方法为p`＝slope*p+intercept。其中p`为校准后的预测值，p为校准前的预测值；slope为上述校准曲线线性拟合获得的斜率；intercept为上述校准曲线线性拟合获得的截距。
S4：通过校准后的囊胚形成预测模型预测囊胚是否形成。
应用实例如下：
回顾性分析2013年至2019年间，在厦门大学附属成功医院进行囊胚培养的患者。根据接受治疗的时间的先后分别为训练数据(2019年之前)和验证数据(2019年及之后)。训练数据包括13657名患者。患者年龄中位数为30岁[28-33]。3010(23.1％)周期接受ICSI，10038(76.9％)接受IVF治疗。共培养96378个胚胎用于囊胚培养。早期卵裂发生在42669(44.3％)胚胎中。最终55323(57.4％)胚胎发育成囊胚。在包括1956名患者的验证数据中，患者年龄中位数为31岁[29-34]。506(25.9％)周期接受ICSI，1450(74.1％)接受IVF治疗。共培养11770个胚胎用于囊胚培养。早期卵裂发生在5961(50.6％)胚胎中。最后，7024(59.7％)胚胎发育成囊胚，如表1和表2所示。
表1患者的特征
表2用于囊胚培养的胚胎特征
基于本发明的预测模型，训练集中的AUC为0.771(95％CI：0.768-0.774)，验证集中的AUC为0.779(95％CI：0.77-0.787)。根据约登系数制定的阈值为0.51。在验证集中，根据阈值的预测准确率为74.7％(95％置信区间：73.9％-75.5％)。
作为对比，为了估计包括有关患者特征和周期参数的特征是否能提高预测能力，还建立了包括另外27个特征的模型，其他特征是：女性年龄、男性年龄、GnRH类似物、授精方案、TESA/PESA、母亲身高、母亲体重、母亲BMI、母亲基础FSH、母亲基础LH、母亲基础PRL、母亲基础E2、母亲基础T、基础AFC、促性腺激素剂量、促性腺激素持续时间、HMG剂量、HMG持续时间、起始剂量、刺激当天FSH、刺激当天LH、刺激当天E2、扳机当天E2、扳机当天LH、触发当天P、卵母细胞产量和周期内卵母细胞成熟率。
使用两种策略将这些特征纳入预测模型。其一，使用最小绝对收缩和选择算子(LASSO)模型进行特征选择，并将所得特征和形态参数用于预测囊胚形成(LASSO模型)。其二，采用极端梯度提升(XGboost)算法建立具有特征的梯度提升树(XGboost模型)。
基于周期特征和胚胎形态结合的LASSO回归模型和XGboost模型在验证集中分别产生相似的AUC为0.78(95％CI：0.771-0.789)和0.754(95％CI：0.745-0.763)。不同模型在预测AUC所显示的功效方面没有显着差异，如表3所示。
表3不同模型对于囊胚形成的区分能力
本发明进一步探讨了GEE模型在不同患者亚组中囊胚形成的临界值的区分，如表4所示。AUC的预测能力在大体方面相似。
表4仅包括形态学的模型对于不同亚组患者的区分力
在临床实践中，囊胚移植周期是否被取消可能取决于周期中所有囊胚形成胚胎的可用性。为了模拟这种情况，本发明进一步基于模型生成了每个周期的囊胚产量的预测。每个周期预测的囊胚数量为单个胚胎预测的总和。对于每个周期的囊胚产量，仅使用形态学参数预测的囊胚数量与观察到的囊胚数(r＝0.897，P<0.0001)密切相关，平均绝对误差(MAE)为0.95(95％CI：0.92-0.99)。
MAE＝(1/n)*∑|观察值-预测值|，即在一个含有n个观察的样本中，每个观察值极其对应预测值的差的绝对值的均数。
预测的囊胚数量也用于预测囊胚移植的机会，其AUC为0.926(95％CI：0.911-0.94)。作为对比，本发明通过Xgboost构建了基于29个特征的周期预测模型，其AUC 0.885(95％CI：0.867-0.903)。可见囊胚数量预测能力超过了XGBoost模型。图2显示了两种模型的AUC和校准曲线，图2中(a)是散点图，指示观察到的囊胚数量与基于胚胎形态的预测囊胚数量之间的相关性。图2中(b)是基于胚胎的模型和基于周期的模型的ROC曲线预测囊胚周期。图2中(c)是根据基于胚胎和基于周期的模型，将预测概率和观察到的囊胚周期比例联系起来的校准曲线。基于周期的模型似乎高估了囊胚转移的机会(斜率＝1.01，截距＝-0.009)，而预测的囊胚数量使预测更接近观察到的概率(斜率＝1.15，截距＝-0.185)。
在表5中，囊胚移植的预测根据患者亚组分层。与未选择的人群相比，ROC曲线AUC的预测能力在34岁以上的患者或患者方面没有显着差异。另一方面，没有优质胚胎的患者AUC降低。然而，没有优质胚胎的患者的AUC仍然表明中等鉴别性，值为0.74(95％CI：0.68-0.79)。
表5模型对于预测不同亚组的患者囊胚移植机会的表现
实施例二
为了执行上述实施例一对应的方法，以实现相应的功能和技术效果，下面提供了一种基于胚胎形成学评分的囊胚形成预测系统。、
该系统包括：
训练集和验证集构建模块，用于收集患者的胚胎形态学信息，并构建训练集和验证集。
模型建立模块，用于基于所述训练集，利用广义估计方程进行建模，得到囊胚形成预测模型。
模型验证和校准模块，用于基于所述验证集对所述囊胚形成预测模型进行验证和校准。
预测模块，用于通过校准后的囊胚形成预测模型预测囊胚是否形成。
实施例三
本发明实施例三提供一种电子设备，包括存储器及处理器，该存储器用于存储计算机程序，该处理器运行计算机程序以使电子设备执行实施例一提供的基于胚胎形成学评分的囊胚形成方法。
在实际应用中，上述电子设备可以是服务器。
在实际应用中，电子设备包括：至少一个处理器(processor)、存储器(memory)、总线及通信接口(CommunicationsInterface)。
其中：处理器、通信接口、以及存储器通过通信总线完成相互间的通信。
通信接口，用于与其它设备进行通信。
处理器，用于执行程序，具体可以执行上述实施例所述的方法。
具体地，程序可以包括程序代码，该程序代码包括计算机操作指令。
处理器可能是中央处理器CPU，或者是特定集成电路ASIC(ApplicationSpecificIntegratedCircuit)，或者是被配置成实施本发明实施例的一个或多个集成电路。电子设备包括的一个或多个处理器，可以是同一类型的处理器，如一个或多个CPU；也可以是不同类型的处理器，如一个或多个CPU以及一个或多个ASIC。
存储器，用于存放程序。存储器可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatilememory)，例如至少一个磁盘存储器。
实施例四
基于实施例三的描述，本发明实施例四提供一种存储介质，其上存储有计算机程序，计算机程序可被处理器执行以实现实施例一的基于胚胎形成学评分的囊胚形成方法。
本发明实施例二提供的基于胚胎形成学评分的囊胚形成系统以多种形式存在，包括但不限于：
(1)移动通信设备：这类设备的特点是具备移动通信功能，并且以提供话音、数据通信为主要目标。这类终端包括：智能手机(例如iPhone)、多媒体手机、功能性手机，以及低端手机等。
(2)超移动个人计算机设备：这类设备属于个人计算机的范畴，有计算和处理功能，一般也具备移动上网性能。这类终端包括：PDA、MID和UMPC设备等，例如iPad。
(3)便携式娱乐设备：这类设备可以显示和播放多媒体内容。该类设备包括：音频、视频播放器(例如iPod)，掌上游戏机，电子书，以及智能玩具和便携式车载导航设备。
(4)其他具有数据交互功能的电子设备。
至此，已经对本主题的特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作可以按照不同的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序，以实现期望的结果。在某些实施方式中，多任务处理和并行处理可以是有利的。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本发明时可以把各单元的功能在同一个或多个软件和/或硬件中实现。本领域内的技术人员应明白，本发明的实施例可提供为方法、系统或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flashRAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带、磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本发明中的界定，计算机可读介质不包括暂存电脑可读媒体(transitorymedia)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本发明可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。
一般地，程序模块包括执行特定事务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本发明，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行事务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (9)

1.一种基于胚胎形成学评分的囊胚形成预测方法，其特征在于，包括：
收集患者的胚胎形态学信息，并构建训练集和验证集；
基于所述训练集，利用广义估计方程进行建模，得到囊胚形成预测模型；
基于所述验证集对所述囊胚形成预测模型进行验证和校准；
通过校准后的囊胚形成预测模型预测囊胚是否形成。
2.根据权利要求1所述的基于胚胎形成学评分的囊胚形成预测方法，其特征在于，在收集患者的胚胎形态学信息之前，还包括：
判断患者是否是符合入选标准的患者；符合入选标准的患者为排除任何辅助生殖技术禁忌症，且决定进行囊胚培养的患者。
3.根据权利要求1所述的基于胚胎形成学评分的囊胚形成预测方法，其特征在于，所述胚胎形态学信息包括：受精后第一天是否发生早卵裂、受精后第三天细胞数、受精后第三天细胞碎片等级以及受精后第三天细胞对称情况。
4.根据权利要求1所述的基于胚胎形成学评分的囊胚形成预测方法，其特征在于，所述囊胚形成预测模型的表达式如下：
p＝exp(y)/(1-exp(y))
y＝β1X1+...+βnXn+截距
其中，p表示囊胚形成预测值y表示中间量，Xn表示当前患者第n个胚胎形态学信息。
5.根据权利要求1所述的基于胚胎形成学评分的囊胚形成预测方法，其特征在于，基于所述验证集对所述囊胚形成预测模型进行验证和校准，具体包括：
通过受试者工作特征曲线验证所述所述囊胚形成预测模型在所述验证集中的准确性；
将所述验证集输入至所述囊胚形成预测模型中，得到预测值；
以所述预测值为横坐标，以所述验证集对应的观测值为横坐标构建校准曲线；
对所述校准曲线进行线性和平滑拟合，得到拟合曲线；
根据所述拟合曲线的斜率和截距对所述囊胚形成预测模型进行校准。
6.根据权利要求1所述的基于胚胎形成学评分的囊胚形成预测方法，其特征在于，在通过校准后的囊胚形成预测模型预测囊胚是否形成之后，还包括：
根据所述囊胚形成预测模型输出的囊胚形成的预测值计算当前患者无囊胚形成的累积概率。
7.一种基于胚胎形成学评分的囊胚形成预测系统，其特征在于，包括：
训练集和验证集构建模块，用于收集患者的胚胎形态学信息，并构建训练集和验证集；
模型建立模块，用于基于所述训练集，利用广义估计方程进行建模，得到囊胚形成预测模型；
模型验证和校准模块，用于基于所述验证集对所述囊胚形成预测模型进行验证和校准；
预测模块，用于通过校准后的囊胚形成预测模型预测囊胚是否形成。
8.一种电子设备，其特征在于，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行权利要求1-6中任一项所述的基于胚胎形成学评分的囊胚形成预测方法。
9.一种计算机可读存储介质，其特征在于，其存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1-6中任一项所述的基于胚胎形成学评分的囊胚形成预测方法。
CN202311056188.7A 2023-08-22 2023-08-22 基于胚胎形成学评分的囊胚形成预测方法、系统及设备 Active CN116884501B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311056188.7A CN116884501B (zh) 2023-08-22 2023-08-22 基于胚胎形成学评分的囊胚形成预测方法、系统及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311056188.7A CN116884501B (zh) 2023-08-22 2023-08-22 基于胚胎形成学评分的囊胚形成预测方法、系统及设备

Publications (2)

Publication Number Publication Date
CN116884501A true CN116884501A (zh) 2023-10-13
CN116884501B CN116884501B (zh) 2025-12-19

Family

ID=88266531

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311056188.7A Active CN116884501B (zh) 2023-08-22 2023-08-22 基于胚胎形成学评分的囊胚形成预测方法、系统及设备

Country Status (1)

Country Link
CN (1) CN116884501B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2013181549A2 (en) * 2012-05-31 2013-12-05 Auxogyn, Inc. In vitro embryo blastocyst prediction methods
CN104975036A (zh) * 2015-06-12 2015-10-14 重庆高圣生物医药有限责任公司 一种高效建立转基因小鼠模型的辅助质粒及其构建方法
CN113469958A (zh) * 2021-06-18 2021-10-01 中山大学附属第一医院 一种胚胎发育潜能预测方法、系统、设备及存储介质
CN114068019A (zh) * 2020-08-07 2022-02-18 上海市第一人民医院 一种基于aki患者血钠水平的aki预后预测评分系统
CN115239715A (zh) * 2022-09-22 2022-10-25 中南大学 一种囊胚发育结果预测方法、系统、设备及存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2013181549A2 (en) * 2012-05-31 2013-12-05 Auxogyn, Inc. In vitro embryo blastocyst prediction methods
CN104975036A (zh) * 2015-06-12 2015-10-14 重庆高圣生物医药有限责任公司 一种高效建立转基因小鼠模型的辅助质粒及其构建方法
CN114068019A (zh) * 2020-08-07 2022-02-18 上海市第一人民医院 一种基于aki患者血钠水平的aki预后预测评分系统
CN113469958A (zh) * 2021-06-18 2021-10-01 中山大学附属第一医院 一种胚胎发育潜能预测方法、系统、设备及存储介质
CN115239715A (zh) * 2022-09-22 2022-10-25 中南大学 一种囊胚发育结果预测方法、系统、设备及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
刘芳;包俊华;金锐;白刚;唐大伟;: "囊胚培养在辅助生殖技术治疗周期中应用价值研究", 泰山医学院学报, no. 11, 25 November 2016 (2016-11-25) *

Also Published As

Publication number Publication date
CN116884501B (zh) 2025-12-19

Similar Documents

Publication Publication Date Title
CN109993414A (zh) 一种电力企业创新发展的评估方法、装置及存储介质
CN109816196A (zh) 预测模型的评价值计算方法、装置、设备及可读存储介质
CN112766402A (zh) 算法选择方法、装置和电子设备
CN117829294A (zh) 模型测评方法、装置、电子设备及存储介质
CN115438477A (zh) 一种sofc系统退化预测方法、系统、电子设备及存储介质
Clark et al. Three machine learning algorithms and their utility in exploring risk factors associated with primary cesarean section in low‐risk women: A methods paper
CN118072964A (zh) 女性尿失禁模型的准确性的提升方法、女性尿失禁预测系统、介质和设备
CN113130077A (zh) 基于人工神经网络的卵巢功能年龄评估方法和装置
CN116884501B (zh) 基于胚胎形成学评分的囊胚形成预测方法、系统及设备
CN115966314B (zh) 一种数据处理方法、装置、电子设备及存储介质
CN117061733A (zh) 一种视频评估方法及其相关设备
CN113948185B (zh) 远程训练方案的推送方法、装置、计算机设备和存储介质
WO2023061174A1 (zh) 一种孤独症谱系障碍的风险预测模型构建方法及装置
CN110399279A (zh) 一种用于非人智能体的智能度量方法
CN115018119A (zh) 用电负荷预测方法及系统
CN113744892A (zh) 胚胎整倍性预测方法、装置、电子设备及存储介质
CN117556267A (zh) 缺失样本数据填充方法、装置、存储介质和电子设备
CN116258923A (zh) 图像识别模型训练方法、装置、计算机设备和存储介质
Dili et al. Explainable AI Revolutionizing Kidney Transplants: Seeing Clearly to Save Lives
Maghraby et al. EFRE IVF 40; AI model for personalized PGTA decision in women Over 40
CN114169731A (zh) 一种科研机构评级系统、方法、设备和存储介质
CN112183848A (zh) 基于dwt-svqr集成的电力负荷概率预测方法
Zeng et al. Predicting Pregnancy Outcomes in the Recurrent Reproductive Failure
CN119293252B (zh) 基于大小模型协同学习的文本分类及模型训练方法、系统
US20250166840A1 (en) Method and device for disease risk prediction, storage medium and electronic device

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant