主页 > N生活圈 >AI在生殖医学的应用 >
AI在生殖医学的应用

2020-06-06


AI在生殖醫學的應用

机器学习擅长从众多特徵中,寻找重要的影响因子,并以此进行分类与迴归,例如收集各种临床特徵评估特定个体是否有罹患某疾病的风险,亦或是病人接受治疗后康复的机率为何,协助医师做出医疗判断。Google旗下的DeepMind,过去曾开发出能提前48小时预测急性肾损伤与依据医学影像判断常见眼疾的AI。来自史丹福大学Banerjee等人,则在2010年将类似AI应用运用在人工受孕活产机率的预测上。

年龄之外的影响因子

过去人工受孕有将近75%的机率无法活产,而临床上的治疗与对患者未来健康状况的评估(即预后)则主要以患者年龄为依据(也就是根据年龄将病人分成不同类别,给予相应的照顾与治疗),低估(或完全忽视)其他指标可能造成的影响,于是激起研究人员引入机器学习的动机。

首先我们来谈谈Banerjee等人所收集的数据。Cycle 1(C1)是指病人第一次进行人工受孕的整个週期,Cycle 2(C2)则是病人第二次进行人工受孕的整个週期。研究人员收集了2003至2006年间,1,676笔C1资料与732笔C2资料作为训练资料集;另收集2007至2008年间,634笔C1资料与230笔C2资料,用以验证系统的预测能力。由于胚胎的各方面数据是预测活产率的关键,所以必须经过第一次人工受孕,方能有较準确的预测。研究人员希望能以C1阶段的数据来预测后期,甚至C2的活产机率。

研究人员选用Generalized Boosted Models (GBM®)这套自由软体进行资料分析,筛选出52个与活产率相关的胚胎特徵,依重要性排列前几名分别是:囊胚发育率(26%)、施用促性腺激素的总量(10%)、八细胞胚胎数(9%)、胚胎冷冻保存(7%)、女性患者年龄(6%)、子宫内膜厚度(6%)以及胚胎总数(6%)。套用在验证资料集上(2007-2008的资料),这套新模型IVFBT的预测能力明显优于传统以年龄为主的预测模型。

更好的预测模型

接着,研究人员想知道根据C1特徵训练出来的模型,是否也能用来预测C2的活产率?然而,数据统计显示C2的活产率普遍较C1的活产率低,所以若将模型直接套用于C2可能高估活产率。于是,研究人员利用C1与C2相对应的资料建立线性模型,将预测结果以这个线性模型作修正,得到专属于C2的活产率预测模型IVFBT C2。

透过下图ROC曲线(Receiver Operating Characteristic Curve),我们可以看到IVFBT(左图绿线)对C1活产率的预测,以及IVFBT C2(右图红线)对C2活产率的预测,都比传统模型(蓝线)更具鉴别度。研究人员相信,这套颇具弹性的建模方法,未来也能拓展应用于其他案例。

AI在生殖医学的应用

(图片来源:P. Banerjee et al., 2010.)

延伸阅读:AI的表现好吗?十种常见的评估指标

参考资料

P. Banerjee et al., “Deep phenotyping to predict live birth outcomes in in vitro fertilization“, Proceedings of the National Academy of Sciences, vol. 107, no. 31, pp. 13570-13575, 2010.



上一篇:
下一篇:


相关文章
今日焦点
一周热榜