Construction of a Standardized Time-Lapse Imaging Database and a Gradient Boosting Ensemble Framework for Integrating Zygote Morphokinetic Parameters with Conventional Embryo Assessment
本研究建立了一个标准化的延时成像数据库和一个梯度提升集成框架，该框架成功地将连续的受精卵形态动力学参数与传统的胚胎评估等级相结合，实现了优于仅使用单一数据模态模型的预测性能（AUC 0.78）。
原始论文根据 CC0 1.0（https://creativecommons.org/publicdomain/zero/1.0/）发布到公有领域。 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。 阅读完整免责声明
在生殖医学中心那些安静且恒温恒湿的房间里，每天都在做出一个至关重要的决定：哪一个微小的、正在发育的生命最有机会成长为一个婴儿？几十年来，胚胎学家一直依赖于一份视觉清单，通过显微镜观察，在特定的时间点计数细胞并判断对称性。这种方法虽然是标准做法，但就像只在跑步比赛的起点和终点检查运动员的位置，却忽略了中间整个赛程。它捕捉的是静态的快照，却无法看到胚胎生长过程中连续且动态的故事。为了填补这一空白，科学家们开始使用时序成像培养箱（time-lapse incubators），这种特殊的设备每隔几分钟就会拍摄数百张胚胎照片，从而为它们最早期的发育过程制作成一部“电影”。然而，这些设备会产生海量的图像数据，难以进行整理，而且隐藏在这些影像中的复杂模式也一直难以转化为对医生可靠的预测。
中国广东省人民医院的一个研究团队现在已经在两个世界之间架起了一座桥梁：胚胎生长的丰富、连续的动态影像，以及临床中使用的传统静态分级系统。他们建立了一个标准化数据库，其中包含了来自218个治疗周期、共计631个受精卵（即合子）的详细记录。对于每一个此类胚胎，他们不仅仅是拍了一张照片；而是使用了一种专门的计算机程序来追踪卵子外壳（透明带）、其内部充满液体的本体以及携带遗传物质的两个细胞核的边界。通过追踪这些形状及其变化，并在最初的18小时内进行监测，该团队提取了84项特定测量值，例如内部本体扩张的速度或外壳亮度的变化情况。他们将这84项动态测量值与人类专家在后期阶段进行的八项标准观察相结合，为每个胚胎创建了一个完整的剖面图。
随后，研究人员将这些组合信息输入到一个复杂的计算机学习系统中，该系统旨在发现人类可能忽略的模式。该系统的运作方式是将新的、基于时间的测量值与旧的、静态的分级视为同等重要的起始点，让计算机在学习过程中自行决定哪些细节最为重要。结果表明，观察胚胎的连续运动和变化，比仅观察静态等级能提供更清晰的未来图景。当团队测试该系统时，结合了时序数据和传统等级的模型，在预测胚胎能否成功发育为囊胚（即准备好进行植入的阶段）方面，明显优于仅使用其中一种数据的模型。这种结合方法达到了0.78的AUC值，相比于传统方法的0.65 AUC以及仅使用时序数据数据的0.71 AUC，有了显著的提升。
研究还揭示了哪些特定的运动是最具预示性的。计算机判定，胚胎内部液体体积的变化速率、外壳上光影模式的移动，以及两个细胞核消失的精确时机，是衡量成功与否的最强指标。这些发现表明，胚胎在细胞分裂前的极早期行为中，蕴含着标准清单无法察觉的健康关键线索。虽然这项工作目前尚未取代胚胎学家的判断，但它为如何将现代培养箱产生的无尽图像流与临床经验相结合，提供了一个可复制的蓝图。通过组织这些数据并证明这两类信息结合使用效果更好，研究人员提供了一个新工具，有望帮助诊所做出更明智的选择，从而可能提高数百万通过辅助生殖技术建立家庭的夫妇的成功率。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。