CN111933290B - 一种以机器学习模型建置人工生殖受孕预测方法和装置 - Google Patents

一种以机器学习模型建置人工生殖受孕预测方法和装置 Download PDF

Info

Publication number
CN111933290B
CN111933290B CN202010818422.5A CN202010818422A CN111933290B CN 111933290 B CN111933290 B CN 111933290B CN 202010818422 A CN202010818422 A CN 202010818422A CN 111933290 B CN111933290 B CN 111933290B
Authority
CN
China
Prior art keywords
embryo
hormone
maternal
pregnancy
physiological
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010818422.5A
Other languages
English (en)
Other versions
CN111933290A (zh
Inventor
高瑞鸿
江東霖
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Heya Intelligent Technology Co ltd
Original Assignee
Beijing Heya Intelligent Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Heya Intelligent Technology Co ltd filed Critical Beijing Heya Intelligent Technology Co ltd
Priority to CN202010818422.5A priority Critical patent/CN111933290B/zh
Publication of CN111933290A publication Critical patent/CN111933290A/zh
Application granted granted Critical
Publication of CN111933290B publication Critical patent/CN111933290B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H15/00—ICT specially adapted for medical reports, e.g. generation or transmission thereof

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Public Health (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Investigating Or Analysing Biological Materials (AREA)

Abstract

本发明涉及一种以机器学习模型建置人工生殖受孕预测方法和装置，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，并结合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，并结合深度神经网络算法建立胚胎影像‑胚胎品质DNN模型，根据孕检结果报告和荷尔蒙/生理检验‑怀孕SVM模型获取母体临床医疗信息预测值，根据孕检结果报告和胚胎影像‑胚胎品质DNN模型获取胚胎质量评定预测值，将上述两个预测值进行合并，得到人工生殖受孕预测值。本发明提供的方法的准确性较高，能够避免出现因不同经验的差异导致影响最终的结果的情况，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。

Description

一种以机器学习模型建置人工生殖受孕预测方法和装置
技术领域
本发明涉及一种以机器学习模型建置人工生殖受孕预测方法和装置。
背景技术
观察全球生殖医学市场，根据世界卫生组织(World Health Organization，WHO)统计，全球不孕症比例约8～12％，也就是有超过8500万对夫妻深受不孕症所苦。
研究发现，女性最适合生育的年龄为21至28岁，过了32岁之后，卵子的数量会明显减少、质量也会下降，也增加怀孕难度。但随着晚婚、晚育的生活型态的常态化，相信不孕检测及生殖疗程之需求也将逐年成长，因此生殖医疗产业相关服务应用及技术发展潜在之需求市场将备受期待。
生殖医学是一个新兴领域，病患人数相对较其他疾病少很多。许多临床上的问题，包含不孕疗程的规划、针剂的选择、卵子的选取、培养与注入的优先选择，相关研究不论国内外仍在探寻中。而通常情况下，各大医学中心各生殖医学中心过去多年累积下来的成功或失败的记录多为纸本，难以累积经验与知识传承，发展科学化的资料汇总与统计分析，以避免重复的错误，找寻出精确的评估指标作后续的临床决策支持系统的开发。过去对于胚胎质量的判断多依赖于人工评估胚胎外观发育状况。然而，不同经验的判读差异也常影响最终的结果。
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。
附图说明
图1是本发明提供的一种以机器学习模型建置人工生殖受孕预测方法的流程图；
图2是本发明提供的一种以机器学习模型建置人工生殖受孕预测方法的一种具体的原理示意图；
图3是本发明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示意图。
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。

Claims (6)

1.一种以机器学习模型建置人工生殖受孕预测方法，其特征在于，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。
2.根据权利要求1所述的以机器学习模型建置人工生殖受孕预测方法，其特征在于，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。
3.根据权利要求2所述的以机器学习模型建置人工生殖受孕预测方法，其特征在于，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。
4.一种以机器学习模型建置人工生殖受孕预测装置，其特征在于，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。
5.根据权利要求4所述的以机器学习模型建置人工生殖受孕预测装置，其特征在于，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。
6.根据权利要求5所述的以机器学习模型建置人工生殖受孕预测装置，其特征在于，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。
CN202010818422.5A 2020-08-14 2020-08-14 一种以机器学习模型建置人工生殖受孕预测方法和装置 Active CN111933290B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010818422.5A CN111933290B (zh) 2020-08-14 2020-08-14 一种以机器学习模型建置人工生殖受孕预测方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010818422.5A CN111933290B (zh) 2020-08-14 2020-08-14 一种以机器学习模型建置人工生殖受孕预测方法和装置

Publications (2)

Publication Number Publication Date
CN111933290A CN111933290A (zh) 2020-11-13
CN111933290B true CN111933290B (zh) 2023-10-10

Family

ID=73310439

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010818422.5A Active CN111933290B (zh) 2020-08-14 2020-08-14 一种以机器学习模型建置人工生殖受孕预测方法和装置

Country Status (1)

Country Link
CN (1) CN111933290B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112587089B (zh) * 2020-11-19 2023-04-21 新希望六和股份有限公司 基于人工智能的妊娠检测方法、装置、计算机设备和介质
TR202020705A1 (tr) * 2020-12-16 2022-08-22 Istanbul Medipol Ueniversitesi Tüp bebek işleminde gebelik oluşturma potansiyeli en yüksek olan embriyonun seçimi için bir yöntem
CN113151451B (zh) * 2021-05-28 2022-08-02 苏州市立医院 一种卵子发育成熟诊断生物标志物及其应用
CN113151453A (zh) * 2021-05-31 2021-07-23 苏州市立医院 一种卵巢早衰诊断生物标志物及其应用
CN114613507A (zh) * 2022-03-16 2022-06-10 温子娜 基于大数据和人工智能的精子受精功能预测模型

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN202821430U (zh) * 2012-10-10 2013-03-27 陈智毅 一种基于3d-us预测妊娠结局的装置
CN107307845A (zh) * 2016-04-27 2017-11-03 广州翠格医疗技术有限公司 一种顺产概率预测装置及其方法
CN107680676A (zh) * 2017-09-26 2018-02-09 电子科技大学 一种基于电子病历数据驱动的妊娠期糖尿病预测方法
WO2018101462A1 (ja) * 2016-12-01 2018-06-07 国立大学法人東京大学 妊娠期間予測装置、妊娠期間予測方法及び妊娠期間予測プログラム
CN109544512A (zh) * 2018-10-26 2019-03-29 浙江大学 一种基于多模态的胚胎妊娠结果预测装置
CN110200624A (zh) * 2019-07-02 2019-09-06 重庆大学 基于卷积神经网络-循环神经网络-支持向量机混合模型的疾病识别算法
CN110491505A (zh) * 2019-08-22 2019-11-22 北京大学第三医院（北京大学第三临床医学院） 预测受试者卵巢刺激过程中获得的卵母细胞数量的系统
CN110808098A (zh) * 2018-10-17 2020-02-18 北京大学第三医院 预测新鲜移植周期受试者持续妊娠的系统
CN110808099A (zh) * 2019-03-27 2020-02-18 北京大学第三医院（北京大学第三临床医学院） 一种用于检测异位妊娠的系统和方法
CN111145912A (zh) * 2019-12-23 2020-05-12 浙江大学 一种基于机器学习的个性化超促排卵方案的预测装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018200820A1 (en) * 2017-04-26 2018-11-01 Celmatix Inc. A measurement system and method for defining and determining an ovarian reserve

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN202821430U (zh) * 2012-10-10 2013-03-27 陈智毅 一种基于3d-us预测妊娠结局的装置
CN107307845A (zh) * 2016-04-27 2017-11-03 广州翠格医疗技术有限公司 一种顺产概率预测装置及其方法
WO2018101462A1 (ja) * 2016-12-01 2018-06-07 国立大学法人東京大学 妊娠期間予測装置、妊娠期間予測方法及び妊娠期間予測プログラム
CN107680676A (zh) * 2017-09-26 2018-02-09 电子科技大学 一种基于电子病历数据驱动的妊娠期糖尿病预测方法
CN110808098A (zh) * 2018-10-17 2020-02-18 北京大学第三医院 预测新鲜移植周期受试者持续妊娠的系统
CN109544512A (zh) * 2018-10-26 2019-03-29 浙江大学 一种基于多模态的胚胎妊娠结果预测装置
CN110808099A (zh) * 2019-03-27 2020-02-18 北京大学第三医院（北京大学第三临床医学院） 一种用于检测异位妊娠的系统和方法
CN110200624A (zh) * 2019-07-02 2019-09-06 重庆大学 基于卷积神经网络-循环神经网络-支持向量机混合模型的疾病识别算法
CN110491505A (zh) * 2019-08-22 2019-11-22 北京大学第三医院（北京大学第三临床医学院） 预测受试者卵巢刺激过程中获得的卵母细胞数量的系统
CN111145912A (zh) * 2019-12-23 2020-05-12 浙江大学 一种基于机器学习的个性化超促排卵方案的预测装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Songwei Jiang.Establishment of predictive model for analyzing clinical pregnancy outcome based on IVF-ET and ICSI assisted reproductive technology.《Saudi Journal of Biological Sciences》.2020,第27卷(第4期),全文. *
欧阳小娥.AMH对辅助生殖妊娠结局预测价值的Meta分析.《国际生殖健康 / 计划生育杂志》.2017,第36卷(第4期),全文. *

Also Published As

Publication number Publication date
CN111933290A (zh) 2020-11-13

Similar Documents

Publication Publication Date Title
CN111933290B (zh) 一种以机器学习模型建置人工生殖受孕预测方法和装置
AU2018384082B2 (en) Systems and methods for estimating embryo viability
CN109528197B (zh) 基于脑功能图谱进行精神疾病的个体化预测方法和系统
CN109359569A (zh) 一种基于cnn的红细胞图像亚分类方法
CN112348785B (zh) 一种癫痫病灶定位方法及系统
CN109934824B (zh) 颈椎脊髓高信号的检测方法及系统
CN109558912A (zh) 一种基于深度可分离卷积的阿尔兹海默病分类方法
CN111539308A (zh) 基于深度学习的胚胎质量综合评价装置
CN106066934A (zh) 一种基于Spark平台的阿尔茨海默病早期辅助诊断系统
CN116434841A (zh) 基于多模态数据的胚胎评估方法及装置
CN110458869B (zh) 一种新生儿磁共振结构脑影像的配准方法及其系统
US20040014165A1 (en) System and automated and remote histological analysis and new drug assessment
CN113052800B (zh) 一种阿尔茨海默症影像分析方法与装置
CN113053517B (zh) 一种基于动态区域量化指标的面瘫级别评估方法
CN116564458A (zh) 一种基于电子病历的数据处理方法、系统、设备及介质
CN115701868A (zh) 一种适用多种视觉任务的领域自适应增强方法
CN115188413A (zh) 一种染色体核型分析模块
CN113796850A (zh) 甲状旁腺mibi图像分析系统、计算机设备及存储介质
Mustafa et al. Capability of new features of cervical cells for cervical cancer diagnostic system using hierarchical neural network
CN113033330A (zh) 一种基于轻型卷积神经网络的舌体姿态异常判别方法
Covaciu et al. Microscopic Images Analysis for Saliva Ferning Prediction
CN113222061B (zh) 一种基于双路小样本学习的mri图像分类方法
Malathi et al. A Hybrid Approach for the Fertility Rate Analysis In Human Beings Using Classification Algorithms
RU2800079C2 (ru) Системы и способы оценки жизнеспособности эмбрионов
CN116386857B (zh) 一种病理分析系统及方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
CB03 Change of inventor or designer information

Inventor after: Gao Ruihong

Inventor after: Jiang Donglin

Inventor before: Gao Ruihong

Inventor before: Guo Jinghuan

Inventor before: Jiang Donglin

CB03 Change of inventor or designer information
TA01 Transfer of patent application right

Effective date of registration: 20210929

Address after: Room 0106-697, 1f, No. 26, information road, Haidian District, Beijing 100085

Applicant after: Beijing Heya Intelligent Technology Co.,Ltd.

Address before: 215300 station A97, floor 4, building 1, Dongchuang technology center, No. 1, Hongfeng Road, enterprise technology park, Qianjin East Road, Kunshan Development Zone, Suzhou City, Jiangsu Province (cluster registration)

Applicant before: Suzhou heyaston Intelligent Technology Co.,Ltd.

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant