Глубокое обучениекак инструмент прогнозирования сердцебиения плода при беременности после культивирования в системе TIME-LAPSE и переноса бластоциты
Цель исследования:
Может ли модель глубокого обучения предсказать вероятность беременности с сердцебиением плода (FH) с помощью анализа видео, полученных в системе time-lapse?
Краткий ответ: Мы создали модель глубокого обучения под названием IVY. Она представляет собой объективную и полностью автоматизированную систему, которая предсказывает вероятность беременности с FH непосредственно из исходных видеоизображений time-lapse без необходимости какой-либо ручной морфокинетической аннотации или оценки морфологии бластоцисты.
Актуальность: Вклад time-lapse визуализации в эффективный отбор эмбрионов выглядит многообещающим. Существующие алгоритмы анализа в системе time-lapse основаны на морфологии и морфокинетических параметрах, которые требуют субъективной аннотации человеком и, следовательно, варьируются между группами специалистов и внутри группы специалистов. Глубокое обучение открывает перспективы для автоматизации и стандартизации отбора эмбрионов.
Дизайн исследования: Ретроспективный анализ time-lapse видео и клинических результатов 10 638 эмбрионов из восьми различных клиник ЭКО в четырех разных странах в период с января 2014 года по декабрь 2018 года.
Материалы и методы: Модель глубокого обучения была натренирована на изображениях time-lapse с известным исходом беременности c FH, чтобы выполнить бинарную классификацию по прогнозированию вероятности беременности c FH с помощью последовательности видеоизображений time-lapse. Прогностическая способность модели была измерена с использованием средней площади под кривой (AUC) рабочей характеристики приемника (ROC-кривая) при 5-кратной стратифицированной перекрестной проверке.
Результаты: Модель глубокого обучения смогла предсказать беременность c FH по time-lapse видео с AUC 0,93 [95 % CI 0,92-0,94] при 5-кратной стратифицированной перекрестной проверке. Проверочный тест в восьми лабораториях показал, что показатель AUC был воспроизводимым, варьируясь от 0,95 до 0,90 в разных лабораториях с различными системами культивирования и лабораторными процессами.
Ограничения: Это исследование представляет собой ретроспективный анализ, демонстрирующий, что модель глубокого обучения с высокой вероятностью предсказывает имплантацию эмбриона. Клинические последствия этих результатов все еще остаются неопределенными. Для оценки клинической значимости этой модели глубокого обучения необходимы дальнейшие исследования, включая проспективные рандомизированные контролируемые испытания. Time-lapse видео, собранные для обучения и проверки, относятся к эмбрионам пятого дня; следовательно, потребуется внести дополнительную корректировку для модели, которая будет использоваться в контексте переноса на третий день.
Выводы из полученных результатов: Высокая прогностическая ценность для имплантации эмбрионов, полученная с помощью модели глубокого обучения, может повысить эффективность предыдущих подходов, используемых для time-lapse визуализации при отборе эмбрионов. Это может улучшить определение наиболее жизнеспособного эмбриона для переноса одного эмбриона. Модель глубокого обучения также может оказаться полезной для обеспечения оптимального порядка последующих переносов криоконсервированных эмбрионов.
Введение
Появление более физиологичных условий культивирования эмбриона человека в процедуре ЭКО привело к рутинному культивированию и переносу эмбрионов на стадии бластоцисты (Gardner et.al., 1998; Biggers & Rakowsky et.al., 2002). Перенос одной бластоцисты может предотвратить многие неблагоприятные медицинские исходы для матери и ребенка, связанные с многоплодной беременностью (Adashi et.al., 2003; Sallyvan et.al., 2012).
Однако наши способности выбирать лучший эмбрион для переноса очень мало изменились с момента рождения Луизы Браун около 40 лет назад (Stepoe and Edwards, 1978). С самого начала ЭКО было отмечено, что показатели развития эмбриона были связаны с исходом переноса (Edwards et al., 1984). Впоследствии были разработаны системы оценки для каждой последующей стадии предварительного планирования развития человеческого эмбриона (ученые Alpha в области репродуктивной медицины и Группа эмбриологии по особым интересам ESHRE, 2011; Gardner and Balaban, 2016), и каждая из них смогла соотнести аспекты отдельных стадий развития в определенное время с жизнеспособностью. Для бластоцисты с начала века была введена буквенно-цифровая система, которая учитывает как развитие внутренней клеточной массы, так и трофэктодерму, а также ее биологическую активность (измеряется косвенно через степень экспансии самой бластоцеллюлярной полости) (Schoolcraft et.al., 1999; Gardner et.al., 2000). Хотя такой подход оказался особенно эффективным при отборе эмбрионов для переноса, данные о метаболической активности бластоцисты человека свидетельствуют о том, что лишь морфологическая оценка пятого дня не является единственным предиктором жизнеспособности эмбриона (Gardner et.al., 2015), при этом потребление глюкозы положительно коррелировало c вероятностью беременности (Gardner et.al., 2011).
До внедрения технологий time-lapse все оценки эмбрионов ограничивались конкретными временными точками в течение первых пяти дней жизни. Очевидно, что большинство событий развития не были зафиксированы, и использование технологии получения изображения развивающегося эмбриона каждые несколько минут подтвердило, что некоторые ключевые особенности развития человеческого эмбриона были упущены, такие как прямое дробление (Rubio et.al., 2012), или просто не были количественно оценены, например, время, необходимое для инициирования и завершения кавитации. Этот последний момент представляет большой физиологический интерес, поскольку он связан как с метаболической активностью, так и с плоидностью (Desai et.al., 2018). В попытке извлечь больше прогностического потенциала из покадровой съемки было создано несколько алгоритмов (Motato et al., 2016; Petersen et al., 2016; Fishelet al., 2018), которые предполагают регистрацию времени, в которое происходят ключевые морфологические события. Имеющиеся на сегодняшний день данные свидетельствуют о том, что этот подход может иметь значение при отборе эмбрионов, и его эффективность была изучена в рандомизированных исследованиях. Результаты были переменными (Rubio et.al., 2014; Goodman et.al., 2016), но накопление данных позволяет сделать вывод о том, что ключевые кинетические события связаны с важной биологической информацией (Desai et.al.., 2018). Однако в настоящее время ограничением анализа покадровых изображений с помощью этих алгоритмов является невозможность охватить все временное и пространственное богатство time-lapse видео в пределах нескольких морфокинетических параметров. Таким образом, временные данные в настоящее время недостаточно используются для прогнозирования клинических исходов. Такие морфокинетические алгоритмы также полагаются на эмбриолога для ручного определения морфологических особенностей и морфокинетических временных данных. Эти параметры затем могут быть использованы в качестве входных данных для статистических или машинно-обучаемых инструментов оценки. К сожалению, аннотирование и ранжирование эмбрионов – субъективный процесс с возможностью вариативности результатов оценки одного специалиста или между несколькими специалистами (Venetis et al., 2017), что влияет на результативность инструментов оценки. То, что определяет беременность с сердцебиением плода (FH), вероятно, было не простой корреляцией между несколькими известными особенностями, а скорее сложным взаимодействием между многими факторами во временном и пространственном измерении (информация, полученная с помощью time-lapse), которая может быть или не быть идентифицирована.
Глубокое обучение – это область машинного обучения, которая основана на получении иерархических знаний из данных, а не на программировании на основе правил. Модели глубокого обучения строятся наподобие биологической нервной системы в том смысле, что информация обрабатывается через взаимосвязанные нейроны, которые находятся на глубине многих слоев (Kim, 2016). Недавний прогресс в области алгоритмов обучения, наряду со стремительным ростом количества электронных медицинских данных и увеличением вычислительной мощности обработки, привел к взрывному применению искусственного интеллекта в нескольких аспектах человеческого ЭКО (Bui et al., 2017; Blank et al., 2019; Curchoe and Borman, 2019). Алгоритм глубокого обучения может напрямую анализировать все time-lapse видео без необходимости аннотирования параметров, используя каждую точку данных, полученных в системе time-lapse, чтобы предсказать вероятность беременности с FH. Цель исследования состояла в том, чтобы проверить гипотезу о том, что модель глубокого обучения IVY является действенным инструментом для прогнозирования потенциала имплантации человеческих преимплантационных эмбрионов.
Материалы и методы
Сбор данных
Это исследование проводилось в восьми лабораториях ЭКО в четырех странах: IVFAustralia (Сидней, Австралия), IVFAustralia (Канберра, Австралия), Hunter IVF (Ньюкасл, Австралия), Melbourne IVF (Мельбурн, Австралия), Queensland Fertility Group (Брисбен, Австралия), SIMS IVF (Дублин, Ирландия), Complete Fertility (Саутгемптон, Великобритания) и Aagard Fertility (Орхус, Дания). Каждая клиника использовала свой собственный подход к стимуляции суперовуляции, сбору яйцеклеток и переносу эмбрионов, как показано в таблице I. Все эмбрионы культивировали в EmbryoscopeTM или Embryoscope PlusTM (Vitrolife, Копенгаген, Дания). Исследование представляло собой ретроспективный анализ видео, полученных при культивировании свежих эмбрионов, которые были оплодотворены и выращены в инкубаторе c системой time-lapse в этих лабораториях с января 2014 по декабрь 2018 года. Были изучены все эмбрионы, культивированные до стадии бластоцисты в течение определенного периода времени в этих лабораториях, независимо от их стадии, сорта, плоидности, статуса оплодотворения и метода культивирования. Из анализа не было исключено ни одного эмбриона, выращенного в инкубаторе time-lapse. В итоге в группу исследования вошли эмбрионы, полученные в результате извлечения свежих яйцеклеток, размораживания витрифицированных яйцеклеток и донорства яйцеклеток. Были включены эмбрионы, которые прошли биопсию эмбриона для преимплантационного генетического тестирования. Были изучены эмбрионы, которые криоконсервировали для последующего использования, и в анализ был включен более поздний результат переноса размороженных эмбрионов. Были включены пациенты из всех демографических групп и историй болезни. Средний возраст составил 35,6 года (возрастной диапазон 22-50 лет). Ни один пациент не был исключен.
Исследование включало 1835 уникальных циклов лечения 1648 отдельных пациентов. В среднем на один цикл приходилось 7,9 эмбриона. 28% перенесенных эмбрионов были частью многократного цикла переноса. 29% перенесенных эмбрионов были замороженными, остальные – свежими. Полученные результаты для эмбрионов показаны на Рис.1
Деидентифицированные видео, а также данные о возрасте пациента и результатах развития каждого эмбриона предоставили исследователям каждой участвующей лаборатории. Вся остальная информация о пациентах хранилась в конфиденциальном порядке участвующей лабораторией, доступа к идентифицирующей информации у исследователей не было. О результатах анализа участвующим лабораториям не сообщалось. Клинический результат для каждого эмбриона был классифицирован в соответствии с таблицей II. Основной конечной точкой была беременность с FH, которая определялась по наблюдаемому наличию FH на УЗИ в течение или после 7 недель беременности. Весь набор данных включает 8836 эмбрионов, закодированных как положительные или отрицательные, которые использовались для обучения и тестирования модели глубокого обучения.
Обучение модели
Процесс обучения начался со случайного разделения всего набора данных на 80% обучающего набора данных и 20% тестового набора данных. Для оценки прогностической способности модель глубокого обучения IVY была натренирована только на эмбрионах в обучающем наборе, а затем использовалась для прогнозирования на основе данных проведенного тестирования. IVY – это модель глубокого обучения с обратной связью, которая принимает в качестве входных данных только видеопоследовательность time-lapse и на выходе выдает показатель достоверности в диапазоне от 0 до 1, который отражает уверенность модели в том, что видео эмбриона приведет к беременности с FH. Поведение модели глубокого обучения продиктовано большим набором значений, которые были случайным образом установлены в начале обучения; следовательно, модель начинает делать случайные прогнозы. Во время процесса обучения из набора обучающих данных были случайным образом отобраны серии time-lapse видео. Модель глубокого обучения затем попыталась сделать прогнозы на их основе и получить баллы для каждого эмбриона. Эти прогнозы были сопоставлены с известными целевыми результатами (0 для отрицательных и 1 для положительных), чтобы вычислить разницу, известную как «потеря», которая отражает, насколько различаются прогнозы с известными результатами.
Значение уровня потерь затем использовалось для вычисления добавочных обновлений всех значений модели для улучшения ее прогностической способности, процесс, известный как обратное распространение. Этот процесс повторялся в течение многих тысяч обновлений, чтобы снизить значение уровня потерь. По мере прохождения обучения значение потерь постоянно снижалось, приближаясь к 0, что соответствует прогнозам, которые были ближе к фактическому исходу беременности с FH. Обучающий набор был случайным образом зациклен на 20 эпохах. Каждая эпоха представляет собой один проход по набору данных. Как только значение уровня потерь достигло плато, и больше никаких улучшений быть не могло, обучение прекращалось. Обученная модель и все ее значения были затем сохранены, чтобы сделать прогнозы относительно непросмотренных эмбрионов в тестовом наборе данных. Чтобы оценить работу обученной модели, прогнозы были сопоставлены с известным исходом беременности с FH из тестового набора данных.
ROC
Характеристика производительности IVY была рассчитана с использованием кривой рабочей характеристики приемника (ROC), полученной путем сопоставления истинной положительной частоты (чувствительности) с ложноположительной частотой (I-специфичность) по всем возможным пороговым значениям с использованием прогнозируемой оценки достоверности по сравнению с фактическим исходом беременности с FH. Значения чувствительности и специфичности могут быть рассчитаны путем выбора конкретного порогового значения. Более низкое пороговое значение приведет к более высокой чувствительности и более низкой специфичности, в то время как более высокое пороговое значение приведет к более низкой чувствительности и более высокой специфичности. Природу этого компромисса можно оценить, рассчитав площадь под кривой (AUC) кривой ROC.
AUC варьировался от 0,5 до 1,0, что представляет прогностическую способность двоичного классификатора. AUC, равный 0,5, представляет собой полностью случайный выбор, в то время как AUC, равный 1, означает правильность прогноза. Чем выше AUC, тем более благоприятен компромисс между чувствительностью и специфичностью. Количественное значение AUC также может быть просто интерпретировано как вероятность того, что бинарный классификатор оценит случайно выбранный положительный эмбрион выше, чем случайно выбранный отрицательный эмбрион. В результате AUC был наиболее подходящим эталоном для способности бинарного классификатора ранжировать эмбрионы в соответствии с вероятностью возникновения беременности с FH.
5-кратная перекрестная проверка
Для повышения надежности оценки производительности мы провели 5-кратную стратифицированную перекрестную проверку (Kuhn and Johnson, 2013). В ходе этого процесса весь набор данных был случайным образом разделен на пять подмножеств одинакового размера таким образом, чтобы в каждом подмножестве сохранялась одинаковая распространенность положительных эмбрионов. Впоследствии мы обучили пять отдельных моделей глубокого обучения с нуля на четырех из пяти подмножеств и выполнили проверку на пятом подмножестве. Для каждого из тренировочно-тестовых циклов мы рассчитывали AUC для тестового набора данных, как описано выше. Итоговый AUC был представлен как среднее значение за пять отдельных тренировочно-тестовых циклов. Перекрестная проверка позволяет более надежно оценить производительность. Эта методология снижает риск переоценки или недооценки истинной характеристики производительности модели за счет случайной выборки уникально благоприятного или сложного набора тестовых данных.
Восемь лабораторий для валидации
Для изучения возможности использования модели глубокого обучения в различных лабораториях и с разными демографическими данными пациентов мы протестировали ее в восьми лабораториях (Kuhn and Johnson, 2013). При таком подходе весь набор данных был разделен на восемь когорт в соответствии с лабораторией, из которой они были получены. Впоследствии мы обучили еще восемь моделей глубокого обучения с нуля, предоставив эмбрионы из каждой из восьми лабораторий для проверки и выполнив обучение по видео других семи лабораторий. Затем мы использовали каждую из восьми обученных моделей для расчета AUC на эмбрионах из соответствующих неучаствовавших лабораторий, чтобы оценить их прогностическую способность в лаборатории, данные которой не использовались в обучении.
Этическое одобрение
В соответствии с Национальным заявлением Австралии об этическом поведении в области исследований человека (Национальный совет по здравоохранению и медицинским исследованиям, 2015) этот проект был классифицирован как исследование с незначительным риском и исключен из этического наблюдения.
Результаты
ROC
Итоги ROC-анализа показаны на рис. 2. Результирующий AUC IVY для прогнозирования беременности с FH в наборе тестовых данных составил 0,93 (95% CI 0,92-0,94).
5-кратная стратифицированная перекрестная проверка
Результаты 5-кратной перекрестной валидации показаны в таблице III. Средний показатель AUC при 5-кратной стратифицированной перекрестной проверке составил 0,93. AUC был воспроизводим в пяти отдельных тренировочно-тестовых циклах.
Проверка в восьми лабораториях
Результаты валидации восьми лабораторий приведены в дополнительной таблице S1. Показатели AUC для проверки в каждой лаборатории были очень похожи. Это указывает на то, что модель отлично подходит для применения в различных лабораторных процессах и клинических условиях.
Обсуждение
Представленные данные демонстрируют, что глубокое обучение может с высокой степенью вероятности и воспроизводимости предсказать имплантацию и развитие эмбриона. Результаты AUC, представленные здесь, классифицируют качество диагностического теста IVY как отличное (Simundi, 2009). Наши результаты показывают, что сочетание time-lapse визуализации и глубокого обучения обеспечивает оценку жизнеспособности эмбриона, которая, вероятно, будет значительно лучше, чем предыдущие подходы, основанные на алгоритмах. Предыдущие подходы к морфокинетическому анализу (Mezeger et.eal., 2012; Conaghan et.al., 2013; Basil et.al., 2014; Milewski et.al., 2016; Fishel et.al., 2018; Lu et.al., 2018) были основаны на алгоритмах, которые изучали известные события в эмбриологическом развитии, такие как быстрое раннее дробление и бластуляция, и применяли оценки к этим известным событиям. Глубокое обучение использует совершенно иной подход, оcнованный на объективной оценке видео time-lapse без каких-либо предположений о значении или ином значении различных событий в раннем развитии эмбриона. В ряде исследований изучалась прогностическая способность морфокинетических алгоритмов. Сравнение шести ранее опубликованных алгоритмов отбора эмбрионов с одним набором бластоцист (Barrie et al., 2017) показало, что ни у одного из алгоритмов AUC не превышал 0,65. В исследовании нашей собственной группы (Storr et al., 2015) была проведена алогистическая регрессия четырех различных подходов. Было обнаружено, что кривая AUC на ROC варьировалась от 0,585 до 0,748. В дальнейшем исследовании (Liu et al., 2018) диапазон показателей прогностических способностей варьировался от 0,509 до 0,762, в зависимости от протестированного алгоритма. Предыдущие исследования прогностической способности морфокинетики у эмбрионов второго дня (Ahlstrom et al., 2016; Milewski et.al., 2016) дают сопоставимые результаты и предполагают, что оценка эмбриолога дает AUC 0,74 (Ahlstrom et.al., 2016), в то время как морфокинетика дает AUC 0,67 (Ahlstrom et.al., 2016) и 0,70 (Milewski et.al., 2016).
Встроенным программным обеспечением в системе EmbryoScope является KIDScore (Petersen et al., 20166), в котором эмбрионы распределяются по одной из пяти категорий (KID1–KID5) на основе ранних событий дробления. Этот подход был ранее изучен и показал, что он превосходит прогностическое значение 0,745 для морфологии, основанное на принятых критериях (Ученые Альфа в области репродуктивной медицины и Специальная группа по эмбриологии ESHRE, 2011).
Два недавних отчета добавили понимания в эту область. Blanket et al. (2019) изучили использование машинного обучения для объединения известных морфокинетических алгоритмов, аналогичных приведенным выше, с клиническими предикторами исхода ЭКО, такими как возраст родителей, концентрация АМГ и прошлые беременности. И хотя это также применение машинного обучения к отбору эмбрионов, общий подход довольно сильно отличается от методологии глубокого обучения настоящего исследования с соответственно более низким AUC (0,74) при анализе ROC.
Khosravi et al. (2019) использовали глубокое обучение для анализа изображений бластоцист, полученных с помощью покадровой визуализации, и смогли продемонстрировать очень высокий ROC (0,98) в способности предсказать оценку эмбриона эмбриологом. Однако, в отличие от нашей модели, эта группа не смогла продемонстрировать какую-либо прямую прогностическую ценность для беременности. Эта модель отличается от нашей тем, что основана только на ограниченном количестве изображений. Наша модель глубокого обучения изучает все видео целиком, и скорее всего именно это дает ей возможность определять вероятность беременности с высокой степенью предсказуемости.
Очевидно, что клинически значимой конечной точкой для любого вмешательства в фертильность является рождение живого ребенка за цикл. В этом исследовании мы использовали FH для оценки клинической беременности на перенесенный эмбрион, поскольку оцениваемый подход является прогнозом частоты имплантации для каждого отдельного эмбриона. Мы признаем, что показатель FH явно является лишь косвенным показателем живорождения, и будущие клинические исследования должны будут оценить влияние на коэффициент живорождения. Однако на данном этапе оценки быстро развивающейся технологии использование живорождения в качестве конечной точки было бы нецелесообразным.
Еще одним ограничением этого исследования, которое следует отметить, является то, что система глубокого обучения была обучена на данных двух конкретных инкубаторных систем (EmbryoscopeTM и Embryoscope PlusTM, Vitrolife), и применимость к другим инкубаторным системам с time-lapse остается неясной. Однако различные лаборатории, участвующие в этом исследовании, имеют различные характеристики пациентов, применяют широкий спектр клинических режимов ЭКО-стимуляции и используют различные культуральные среды. Использование восьми лабораторий, осуществлявших валидацию, демонстрирует, что прогностическая ценность подхода к глубокому обучению является надежной, несмотря на широкий спектр клинических условий ЭКО в разных частях мира.
Предыдущие рандомизированные контролируемые исследования морфокинетики, примененные к изображениям time-lapse, не предоставили убедительных доказательств какой-либо клинической пользы от таких подходов. Некоторые исследования не выявили каких-либо преимуществ time-lapse для улучшения показателей (Ahlstromet al., 2016; Goodman et.al., 2016), в то время как другие предположили, что они есть (Rubio et al., 2014). Кроме того, трудно отделить разные результаты морфокинетического анализа от различных лабораторных условий. Учитывая относительно низкую прогностическую ценность подходов, основанных на алгоритмах, нехватка клинических результатов не может быть полностью неожиданной. Значительно улучшенная прогностическая ценность подхода к глубокому обучению, такого как IVY, предполагает, что для изучения возможности клинической пользы от этого подхода необходимы дальнейшие клинические проспективные исследования.
Как и во всех случаях ЭКО, совокупная вероятность успешной беременности для одного начатого цикла является следствием ряда факторов, включая клинический контекст, подход к стимуляции, используемую систему культивирования и собственные показатели успеха клиники. Учитывая современные возможности криоконсервации, совокупный показатель успеха вряд ли будет зависеть от способности предсказать частоту имплантации для конкретного эмбриона. Однако способность предсказывать вероятность успешного переноса эмбриона приведет к тому, что эмбрион с самым высоким потенциалом развития будет выбран первым. Это не обязательно повлияет на совокупную вероятность наступления беременности от партии эмбрионов, выращенных в ходе цикла ЭКО, но сократит время до наступления беременности.
Разработка систем глубокого обучения может также принести другие преимущества в лаборатории ЭКО. Глубокое обучение может повысить эффективность лаборатории, особенно в части трудоемкой работы, связанной с аннотированием морфокинетических параметров, а также сходимости оценок разных эмбриологов. Эти потенциальные выгоды требуют оценки с помощью анализа затрат.
Представленные здесь данные открывают больше поле для исследования взаимосвязи между критическими особенностями time-lapse, которые глубокое обучение определяет как прогностические для имплантации, и клеточными и физиологическими событиями преимплантационного развития эмбриона. Учитывая, что модель работает на уровне необработанных пикселей во времени, макроскопические характеристики, такие как форма эмбриона/клетки, размер и более тонкие характеристики, такие как текстура и рисунок движения, могут быть изучены с помощью обучающих данных. Модель была обучена tabula rasa и сама определяет значимость всех этих функций (или сложное взаимодействие между этими функциями) и присваивает прогностический вес соответственно. Однако точная логика, используемая моделью при принятии решений, остается активной областью исследований и будет темой для дальнейшего изучения.
Кроме того, представленная модель использует все видео для информирования о конечной точке исследования за один проход, что явно отличается от того, как эмбриолог анализирует time-lapse видео от кадра к кадру. В течение пяти дней развития могут быть временные интервалы, которые более важны, чем другие, но это потребует дальнейшего изучения. Будущие исследования по сопоставлению прогноза IVY с другими параметрами физиологии эмбриона, такими как метаболическая активность и хромосомная конституция, будут иметь значение для продвижения понимания преимплантационного развития эмбриона.
Один из главных вопросов заключается в том, как эти прогностические расчеты соотносятся с другими клиническими факторами, которые, как известно, предсказывают исход, такими как женский возраст и предыдущий репродуктивный анамнез. Выводы, представленные в этом исследовании совершенно сознательно, являются результатом изучения каждого отдельного эмбриона из гетерогенной группы пациентов, и полученная прогностическая ценность не зависит от возраста или любых других клинических факторов. Поэтому дальнейшие исследования, изучающие прогностическую взаимосвязь между известными клиническими факторами и прогнозом глубокого обучения, будут иметь большое значение.
Заключение
Эти данные демонстрируют потенциал глубокого обучения для применения в клиническом ЭКО, равно как и в других областях здоровья человека (Patel et al., 2009). Исследование представляет собой ретроспективный анализ, который продемонстрировал эффективное средство IVY в прогнозировании частоты имплантации. В настоящее время проводятся дальнейшие подробные проспективные клинические исследования для изучения клинического воздействия и экономической эффективности этой разработки.