人工智能在体外受精和胚胎图像识别方面的研究进展

随着现代科学技术及医疗的快速发展,人工智能(artificial intelligence,AI)应用于医学已经成为国内外研究的热点。在辅助生殖领域,利用AI预知患者的生育能力、采用个体化方案解决生育问题、智能识别胚胎图像和选择最具发育潜能的胚胎是AI技术研究的方向。在临床工作中,胚胎质量是预测体外受精-胚胎移植(in vitro fertilization-embryo transfe,IVF-ET)是否成功的重要因素之一。因此评估胚胎质量,选择最有发育潜能的胚胎进行移植是辅助生殖实验室工作的关键步骤。目前AI应用于智能胚胎图像识别方面尚不完善,存在一定的争议。文本对AI在胚胎图像识别方面的最新应用进行综述,并探讨AI在胚胎图像识别的应用现状,存在的问题及发展方向。

一种基于课程学习的胚胎图像语义分割方法

胚胎植入前形态学特征是人类体外受精胚胎质量评估的重要依据.目前,胚胎学家主要利用胚胎时差成像(Time-Lapse Imaging,TLI)技术观察胚胎图像形态变化,从而筛选最有发育潜能的胚胎进行移植或冷冻保存.然而,人工评估不仅费时费力,且需要较强的专业知识,并存在一定的主观性等.针对这一问题,该文提出一种基于课程学习的胚胎图像语义分割方法,实现了胚胎细胞、细胞质与雌雄原核的分割,为后续胚胎质量评估提供定量的形态特征参数.首先,利用评估语义分割算法性能的IoU指标(Intersection over Union,IoU)构建课程学习的难度评分函数(Scoring Function,SF),根据SF评分将所有样本从易到难进行排序;再结合SF评分与目标类别数定义课程学习的步调函数(Pacing Functions,PF),构建了难易程度递增的样本子集;最后,设计多阶段渐进式U-net语义分割(Multi-Stage Progressive U-net,MSPU)模型,根据课程难度顺序依次训练不同阶段的网络,从而实现胚胎图像的语义分割.相关实验结果表明,本文提出的MSPU模型在胚胎图像语义分割任务上获得较好的性能,与基准模型相比,IoU值提高1.4%;特别是在较易与较难的分割任务上具有不错的表现,如细胞与雌雄原核的分割IoU值分别提升了4.6%与1.2%.

基于迁移学习的IVF胚胎分类方法

针对传统体外受精(IVF)胚胎存活力的评估主要是基于胚胎学家的主观视觉分析,但受限于观察者之间的差异,并且是一项耗时的任务.在这项研究中,将深度学习与模型迁移结合使用,开发用于胚胎评估的自动分类方法.研究包括kaggle比赛数据库中的胚胎数据集,使用在ImageNet数据集上预训练网络作为基础网络,在修改基础模型全连接分类层的基础上,将高层卷积模块的权重设置为可训练以进行微调.实验结果表明,通过微调训练获得的网络准确率高达96.93%,相比基础模型表现有显著提升,证明在计算资源有限的前提下,使用微调策略也能获得不错功能的卷积神经网络模型.研究集成了深度学习方法、延时显微镜系统和IVF电子病历平台,可实现用于胚胎评估的全自动无创系统.