发明内容
为了解决上述技术问题,本发明提供一种以机器学习模型建置人工生殖受孕预测方法和装置。
本发明采用以下技术方案:
一种以机器学习模型建置人工生殖受孕预测方法,包括:
获取母体血液荷尔蒙生理检测数据和卵巢功能生理检测数据,并根据所述母体血液荷尔蒙生理检测数据、卵巢功能生理检测数据和支持向量机器算法,建立荷尔蒙/生理检验-怀孕SVM模型;
获取母体胚胎图像,并根据所述母体胚胎图像和深度神经网络算法,建立胚胎影像-胚胎品质DNN模型;
获取孕检结果报告;
根据所述孕检结果报告和所述荷尔蒙/生理检验-怀孕SVM模型,获取母体临床医疗信息预测值;
根据所述孕检结果报告和所述胚胎影像-胚胎品质DNN模型,获取胚胎质量评定预测值;
将所述母体临床医疗信息预测值和所述胚胎质量评定预测值进行合并,得到人工生殖受孕预测值。
优选地,所述母体血液荷尔蒙生理检测数据包括催乳素、甲状腺刺激素、黄体激素和雌激素,所述卵巢功能生理检测数据包括抗穆勒氏管和滤泡刺激素。
优选地,所述母体血液荷尔蒙生理检测数据和所述卵巢功能生理检测数据均以向量的形式进行表示,作为支持向量机器算法所对应的特征向量。
一种以机器学习模型建置人工生殖受孕预测装置,包括:
第一模型建立模块,用于获取母体血液荷尔蒙生理检测数据和卵巢功能生理检测数据,并根据所述母体血液荷尔蒙生理检测数据、卵巢功能生理检测数据和支持向量机器算法,建立荷尔蒙/生理检验-怀孕SVM模型;
第二模型建立模块,用于获取母体胚胎图像,并根据所述母体胚胎图像和深度神经网络算法,建立胚胎影像-胚胎品质DNN模型;
孕检结果报告获取模块,用于获取孕检结果报告;
母体临床医疗信息预测值获取模块,用于根据所述孕检结果报告和所述荷尔蒙/生理检验-怀孕SVM模型,获取母体临床医疗信息预测值;
胚胎质量评定预测值获取模块,用于根据所述孕检结果报告和所述胚胎影像-胚胎品质DNN模型,获取胚胎质量评定预测值;
人工生殖受孕预测值获取模块,用于将所述母体临床医疗信息预测值和所述胚胎质量评定预测值进行合并,得到人工生殖受孕预测值。
优选地,所述母体血液荷尔蒙生理检测数据包括催乳素、甲状腺刺激素、黄体激素和雌激素,所述卵巢功能生理检测数据包括抗穆勒氏管和滤泡刺激素。
优选地,所述母体血液荷尔蒙生理检测数据和所述卵巢功能生理检测数据均以向量的形式进行表示,作为支持向量机器算法所对应的特征向量。
本发明的有益效果为:先根据母体血液荷尔蒙生理检测数据、卵巢功能生理检测数据以及支持向量机器算法,建立荷尔蒙/生理检验-怀孕SVM模型,根据母体胚胎图像和深度神经网络算法,建立胚胎影像-胚胎品质DNN模型,然后,结合获取得到的孕检结果报告以及荷尔蒙/生理检验-怀孕SVM模型得到母体临床医疗信息预测值,结合获取得到的孕检结果报告以及胚胎影像-胚胎品质DNN模型,获取胚胎质量评定预测值,最后将母体临床医疗信息预测值和胚胎质量评定预测值进行合并,得到人工生殖受孕预测值。通过机器深度学习技术,构建人工生殖受孕预测模型,根据该模型能够准确地进行人工生殖受孕预测,相较于传统的通过人工评估胚胎外观发育状况对胚胎质量进行判断的方式,准确性得到很大地提升,而且避免出现因不同经验的差异导致影响最终的结果的情况。而且,通过荷尔蒙/生理检验-怀孕SVM模型和胚胎影像-胚胎品质DNN模型,建置两层机器学习模型,能够有效改善单一模型在数据量稀少时,容易形成过于保守预测的状况。而且,该方法可提供医师做为患者胚胎评估及相关之诊疗辅助,有效提高人工受孕成功率。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本申请实施方式。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施方式中也可以实现本申请。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在此本申请说明书中所使用的术语仅仅是出于描述特定实施方式的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
本实施例提供一种以机器学习模型建置人工生殖受孕预测方法,如图1所示,包括如下步骤:
步骤S101:获取母体血液荷尔蒙生理检测数据和卵巢功能生理检测数据,并根据所述母体血液荷尔蒙生理检测数据、卵巢功能生理检测数据和支持向量机器算法,建立荷尔蒙/生理检验-怀孕SVM模型:
获取母体血液荷尔蒙生理检测数据和卵巢功能生理检测数据,本实施例中,母体血液荷尔蒙生理检测数据包括催乳素(Prolactin,PRL)、甲状腺刺激素(TSH)、黄体激素(luteinizing hormone,LH)、雌激素(Estrogen)等参数,并且,为了便于根据支持向量机器算法(Support Vector Machine,SVM)进行计算,母体血液荷尔蒙生理检测数据中的各个数据均以向量的形式进行表示,作为支持向量机器算法所对应的特征向量。卵巢功能生理检测数据包括抗穆勒氏管(AMH)和滤泡刺激素(follicle-stimulating hormone,FSH)等参数,并且,为了便于根据支持向量机器算法进行计算,卵巢功能生理检测数据中的各个数据均以向量的形式进行表示,作为支持向量机器算法所对应的特征向量。
本实施例中,母体血液荷尔蒙生理检测数据的采集时间可以为月经周期中的第8天与第10天,如图2所示。
根据得到的母体血液荷尔蒙生理检测数据、卵巢功能生理检测数据和支持向量机器算法,建立荷尔蒙/生理检验-怀孕SVM模型。以下说明一下支持向量机器算法:
支持矢量机早期设计是用于处理两类别(Binary Classification)的分类问题,利用两个不同类别的训练资料(Taining Data)训练出一个模型(Model),以模型预测出新样本的类别。支持矢量机提出统计学习理论为基础,属于监督式学习的线性分类器,利用分类函数解决资料分类的问题。分类函数的作用为分类两个类别的资料,支援矢量机就是求解分类函数的一种方法,支援矢量机分为线性支援矢量机和非线性支援矢量机,其中线性支援矢量机又可细分为线性可分与线性不可分两种情况。以下分别对线性与非线性支援矢量机做解释:
在线性可分的情况下,假设二元分类问题的训练样本为:
(x1,y1),…,(xi,yi);i=1,2,…,l;xi∈Rn;yi∈{+1,-1} (1)
其中,xi为样本属性,yi为样本类别,l为样本个数。
支援矢量机的目的是在寻求一个具最大边界(margin)的区分超平面(SeparatingHyperplane)将两类分类目标的问题得以正确分离,所用的判别公式为:
g(x)=wTx+b=0 (2)
其中,w为超平面之法矢量,b为偏移量。
因为超平面之法矢量w和偏移量b皆会变动,故欲找出相对应的法矢量w和偏移量b,使其有最大的边界(Margin)。此两边界公式如下:
将公式(3)和(4)进一步整合成一个式子如下:
yi(wtxi+b)≥+1,i=1,2,…,l (5)
超平面至两类别间之距离计算公式如下:
在满足公式(5)的限制条件下,使两边界距离间距最大如公式(6),则需求解下式:
Subjecttoyi(wtxi+b)≥+1,i=1,2,…,l (8)
上式(7)和(8)即为优化问题模式,也是支援矢量机所要解决的主要问题(PrimalProblem)。
目前已知由脑下垂体分泌的催乳素PRL太高会抑制排卵、甲状腺素TSH低下则导致排卵异常、黄体刺激素LH主要是刺激卵巢排卵、滤泡刺激素FSH则是主要供给滤泡发育等,这些生化数值皆是影响女性不孕的指标。因此将LH、FSH、AMH、E2、PRL等生化检验纪录,还可以结合年龄、BMI等基本资料,放入条件中,利用支持向量机器算法建立荷尔蒙/生理检验-怀孕SVM模型。
根据该荷尔蒙/生理检验-怀孕SVM模型能够找寻关键不孕风险因素,除了提供给医师以分析研究,也可以希望提供此模型给大众使用,能提升社会大众对于自我生育状况评估与教育意识,帮助一般大众提早预测不孕机率。
步骤S102:获取母体胚胎图像,并根据所述母体胚胎图像和深度神经网络算法,建立胚胎影像-胚胎品质DNN模型:
母体胚胎图像为母体胚胎影像图片,本实施例中,母体胚胎图像的采集时间为月经周期中的受精后3至5天。获取母体胚胎图像,并根据母体胚胎图像和深度神经网络算法(Deep Neural Networks,DNN),建立胚胎影像-胚胎品质DNN模型。
应当理解,步骤S101和步骤S102之间没有严格的先后顺序,可以先执行步骤S101,然后再执行步骤S102,也可以先执行步骤S102,再执行步骤S101,还可以步骤S101和步骤S102同时执行。
步骤S103:获取孕检结果报告:
获取孕检结果报告,其中,孕检结果报告也称为验孕结果报告。本实施例中,孕检结果报告的采集时间为月经周期的第26至28天。
步骤S104:根据所述孕检结果报告和所述荷尔蒙/生理检验-怀孕SVM模型,获取母体临床医疗信息预测值:
得到孕检结果报告和荷尔蒙/生理检验-怀孕SVM模型之后,根据孕检结果报告和荷尔蒙/生理检验-怀孕SVM模型,具体是将孕检结果报告输入至荷尔蒙/生理检验-怀孕SVM模型中,获取母体临床医疗信息预测值。
步骤S105:根据所述孕检结果报告和所述胚胎影像-胚胎品质DNN模型,获取胚胎质量评定预测值:
得到孕检结果报告和胚胎影像-胚胎品质DNN模型之后,根据孕检结果报告和胚胎影像-胚胎品质DNN模型,具体是将孕检结果报告输入至胚胎影像-胚胎品质DNN模型中,获取胚胎质量评定预测值。
应当理解,步骤S104和步骤S105之间没有严格的先后顺序,可以先执行步骤S104,然后再执行步骤S105,也可以先执行步骤S105,再执行步骤S104,还可以步骤S104和步骤S105同时执行。
步骤S106:将所述母体临床医疗信息预测值和所述胚胎质量评定预测值进行合并,得到人工生殖受孕预测值:
得到母体临床医疗信息预测值和胚胎质量评定预测值之后,将母体临床医疗信息预测值和胚胎质量评定预测值进行合并,得到人工生殖受孕预测值,以得到可靠而正确的预测结果。
因此,选取适当案例来进行机器训练,透过深度卷积神经网络与Inception,InceptionRes,ResNet,Xception等深度学习网络架构分析胚胎质量,以实际累计之知识及经验,作后续临床的胚胎选择决策支持,透过深度学习与客观数据找到成功胚胎关键型态特征的模型,与医师进行一段时间的新疗程盲测验证,当训练模型准确度到一定程度,如:盲测验证结果相当或可超过医师,则可上线辅助医师作为挑选胚胎的客观参考依据。医师可针对每一颗胚胎标记原本主观分级Stage(AA/AB/AC……),研究原本主观分级、预测模型和基本事实之间的关系,同时将来有新的疗程结果,也标记其成功/失败的事实,以新的数据持续训练模型。将来会导入影响着床的关键生理数值(如:母体子宫内膜厚度……等)作为输入,持续优化胚胎评估预测模型。并结合显微镜获取的胚胎光谱信息并进行后续光谱分析,为非侵入且无伤害式之研究,故无影响胚胎发育之疑虑。获取的影像信息将用于建立人工智能高光谱力学影像胚胎辅助系统,此系统将可快速提供胚胎师与医师在评估胚胎发展过程优劣性提供新的重要参考信息,进一步提高人工受孕成功率。
通过机器深度学习技术,从大量胚胎影像数据中,汲取并学习专业判读经验,打造胚胎影像分析系统。并同步搭配患者之诊疗生理数据,进行大数据分析,研究并研发胚胎受孕率辨识及怀孕风险预估系统,此系统将可提供医师做为患者胚胎评估及相关之诊疗辅助,有效提高人工受孕成功率。而且,在滤泡及胚胎影像分析方面,从实际植入成功与失败的案例中选取适当案例作为分析样本来进行训练,先用轮廓侦测方法对显微镜影像进行边界侦测,来自动标记滤泡及胚胎的边框,并将影像使用旋转、平移、翻转等方式增加训练样本量,接着使用深度卷积神经网络架构,并配合不同的深度卷积神经网络模型优化器,来建立滤泡及胚胎显微镜影像-质量预测模型,最后用最佳模型来预测滤泡及植入胚胎最后是否有成功受孕,并由医师对预测结果进行模型效能的评估。发展以临床生理数值为基础的不孕预测模型,由病患的胚胎年龄、BMI、职业等基本信息,以及抽血检验的血液荷尔蒙滤泡刺激素、黄体生成激素、催乳素、睪丸酮、性激素结合球蛋白、雌激素、P4黄体素、AMH、子宫内膜厚度等生化检验数据,来使用深度学习网络来建立荷尔蒙/生理检验-怀孕机率预测深度学习模型。
请参阅图3,图3是本申请实施例提供的一种以机器学习模型建置人工生殖受孕预测装置的结构框图。
如图3所示,以机器学习模型建置人工生殖受孕预测装置包括:
第一模型建立模块201,用于获取母体血液荷尔蒙生理检测数据和卵巢功能生理检测数据,并根据所述母体血液荷尔蒙生理检测数据、卵巢功能生理检测数据和支持向量机器算法,建立荷尔蒙/生理检验-怀孕SVM模型;
第二模型建立模块202,用于获取母体胚胎图像,并根据所述母体胚胎图像和深度神经网络算法,建立胚胎影像-胚胎品质DNN模型;
孕检结果报告获取模块203,用于获取孕检结果报告;
母体临床医疗信息预测值获取模块204,用于根据所述孕检结果报告和所述荷尔蒙/生理检验-怀孕SVM模型,获取母体临床医疗信息预测值;
胚胎质量评定预测值获取模块205,用于根据所述孕检结果报告和所述胚胎影像-胚胎品质DNN模型,获取胚胎质量评定预测值;
人工生殖受孕预测值获取模块206,用于将所述母体临床医疗信息预测值和所述胚胎质量评定预测值进行合并,得到人工生殖受孕预测值。
该以机器学习模型建置人工生殖受孕预测装置中的各模块用于对应执行图1对应的实施例中的各步骤,而对于图1对应的实施例中的各步骤已在上述实施例中进行详细解释,具体请参阅图1所对应的实施例中的相关描述,此处不再赘述。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。