CN116561627A - 用于确定胚胎移植类型的方法、装置、处理器及存储介质 - Google Patents
用于确定胚胎移植类型的方法、装置、处理器及存储介质 Download PDFInfo
- Publication number
- CN116561627A CN116561627A CN202310530122.0A CN202310530122A CN116561627A CN 116561627 A CN116561627 A CN 116561627A CN 202310530122 A CN202310530122 A CN 202310530122A CN 116561627 A CN116561627 A CN 116561627A
- Authority
- CN
- China
- Prior art keywords
- characteristic data
- embryo
- pregnancy
- embryo transfer
- development state
- 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.)
- Granted
Links
- 210000001161 mammalian embryo Anatomy 0.000 title claims abstract description 335
- 238000012546 transfer Methods 0.000 title claims abstract description 289
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000003860 storage Methods 0.000 title claims abstract description 16
- 230000035935 pregnancy Effects 0.000 claims abstract description 331
- 230000013020 embryo development Effects 0.000 claims abstract description 147
- 230000009977 dual effect Effects 0.000 claims abstract description 74
- 238000009826 distribution Methods 0.000 claims description 30
- 210000001109 blastomere Anatomy 0.000 claims description 11
- 230000016087 ovulation Effects 0.000 claims description 6
- 210000000582 semen Anatomy 0.000 claims description 6
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 210000002257 embryonic structure Anatomy 0.000 description 12
- 238000010801 machine learning Methods 0.000 description 11
- 238000004458 analytical method Methods 0.000 description 10
- 210000002459 blastocyst Anatomy 0.000 description 8
- 238000012549 training Methods 0.000 description 8
- 208000034702 Multiple pregnancies Diseases 0.000 description 7
- 238000004590 computer program Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000003776 cleavage reaction Methods 0.000 description 3
- 210000003754 fetus Anatomy 0.000 description 3
- 230000001737 promoting effect Effects 0.000 description 3
- 230000007017 scission Effects 0.000 description 3
- 238000002054 transplantation Methods 0.000 description 3
- 241000282412 Homo Species 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 210000000625 blastula Anatomy 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000013610 patient sample Substances 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000004720 fertilization Effects 0.000 description 1
- 238000000338 in vitro Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000004962 physiological condition Effects 0.000 description 1
- 230000035479 physiological effects, processes and functions Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000001850 reproductive effect Effects 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Investigating Or Analysing Biological Materials (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及医疗人工智能领域，公开了一种用于确定胚胎移植类型的方法、装置、处理器及存储介质。方法包括：将第一胚胎发育状态特征数据和第二胚胎发育状态特征数据其中一者、目标男性患者和目标女性患者的体格特征数据输入至训练好的单胚胎移植妊娠结果预测模型，得到第一妊娠率，第一妊娠率对应单胚胎移植类型；将第一胚胎发育状态特征数据、第二胚胎发育状态特征数据和体格特征数据输入至训练好的双胚胎移植妊娠结果预测模型，得到第二妊娠率，第二妊娠率对应双胚胎移植类型；将第一妊娠率和第二妊娠率中较大一者对应的胚胎移植类型确定为目标胚胎移植类型。为医务人员和男女患者的决策提供科学客观的建议与保障，胚胎移植类型选取时更合理。
Description
技术领域
本发明涉及医疗人工智能领域，具体地涉及一种用于确定胚胎移植类型的方法、装置、处理器及存储介质。
背景技术
胚胎移植，又称受精卵移植，是指将雌性动物体内的早期胚胎，或者通过体外受精及其他方式得到的胚胎，移植到同种的、生理状况相同的其他雌性动物体内，使之继续发育为新个体的技术。在临床中的胚胎移植问题上，往往有2种方案，要么将一个发育状态较好的胚胎用于移植，要么选取两个发育质量较好的胚胎用于胚胎移植。
其中，移植1个胚胎的好处在于，发生多胎妊娠的概率很小；但缺点是，1个胚胎妊娠成功的概率相较于移植2个的肯定更小。移植2个胚胎的好处在于，2个胚胎最终能够妊娠成功的概率就更高一些；但缺点也很明显，可能发生多胎妊娠。其中多胎妊娠是指至少两个胚胎都妊娠成功，形成类似于双胞胎、多胞胎的状态。双胞胎、多胞胎对于人体生理上是相对不好的情况，因为根据人体的生理结构来说，一个胚胎妊娠成功是最合适的。
临床上，对于上述2种方案的选取是依靠医务人员的经验和男女患者的意愿来决定，并没有明确的指导方案，主观性较强，导致在选取胚胎移植方案时不合理。
发明内容
为了克服现有技术存在的不足，本发明实施例提供了一种用于确定胚胎移植类型的方法、装置、处理器及存储介质。
为了实现上述目的，本发明第一方面提供一种用于确定胚胎移植类型的方法，包括：
获取目标男性患者和目标女性患者的体格特征数据；
获取第一胚胎发育状态特征数据和第二胚胎发育状态特征数据；
将第一胚胎发育状态特征数据和第二胚胎发育状态特征数据的其中一者、体格特征数据输入至训练好的单胚胎移植妊娠结果预测模型，得到第一妊娠率，第一妊娠率对应单胚胎移植类型；
将第一胚胎发育状态特征数据、第二胚胎发育状态特征数据和体格特征数据输入至训练好的双胚胎移植妊娠结果预测模型，得到第二妊娠率，第二妊娠率对应双胚胎移植类型；
将第一妊娠率和第二妊娠率中较大一者对应的胚胎移植类型确定为目标男性患者和目标女性患者的胚胎移植类型。
在本发明实施例中，第二妊娠率包括第一子妊娠率和第二子妊娠率；将第一胚胎发育状态特征数据、第二胚胎发育状态特征数据和体格特征数据输入至训练好的双胚胎移植妊娠结果预测模型，得到第二妊娠率包括：
将第一胚胎发育状态特征数据、第二胚胎发育状态特征数据和体格特征数据输入至训练好的双胚胎移植妊娠结果预测模型，得到单胚胎发育成功的第一子妊娠率和双胚胎发育成功的第二子妊娠率，第一子妊娠率和第二子妊娠率均对应双胚胎移植类型；
将第一妊娠率和第二妊娠率中较大一者对应的胚胎移植类型确定为目标男性患者和目标女性患者的胚胎移植类型包括：
将第一妊娠率和第一子妊娠率中较大一者对应的胚胎移植类型确定为目标男性患者和目标女性患者的胚胎移植类型。
在本发明实施例中，体格特征数据包括以下中的至少一者：目标男性患者和目标女性患者的身高、体重、身体质量指数、婚育史、既往病史、促排卵方案、精液质量；
第一胚胎发育状态特征数据和第二胚胎发育状态特征数据包括以下中的至少一者：冷冻过的卵裂期胚胎质量、冷冻过的囊胚期胚胎质量、未冷冻过的卵裂期胚胎质量、未冷冻过的囊胚期胚胎质量。
在本发明实施例中，方法还包括：
将第一胚胎发育状态特征数据和体格特征数据中每个特征数据的第一数据分布输入至单胚胎移植妊娠结果预测模型，得到第一模型输出结果；
将每个特征数据的第二数据分布输入至单胚胎移植妊娠结果预测模型，得到第二模型输出结果；
确定每个特征数据对应的第二模型输出结果和第一模型输出结果的第一差值；
根据第一差值确定每个特征数据对于单胚胎移植妊娠结果预测模型的第一重要性程度；
将第一重要性程度大于第一预设程度的特征数据确定为单胚胎移植妊娠结果预测模型的必要特征数据；
将重要性程度不大于预设程度的特征数据确定为单胚胎移植妊娠结果预测模型的非必要特征数据。
在本发明实施例中，方法还包括：
将第一胚胎发育状态特征数据、第二胚胎发育状态特征数据和体格特征数据中每个特征数据的第三数据分布输入至双胚胎移植妊娠结果预测模型，得到第三模型输出结果；
将每个特征数据的第四数据分布输入至双胚胎移植妊娠结果预测模型，得到第四模型输出结果；
确定每个特征数据对应的第四模型输出结果和第三模型输出结果的第二差值；
根据第二差值确定每个特征数据对于双胚胎移植妊娠结果预测模型的第二重要性程度；
将第二重要性程度大于第二预设程度的特征数据确定为双胚胎移植妊娠结果预测模型的必要特征数据；
将重要性程度不大于预设程度的特征数据确定为双胚胎移植妊娠结果预测模型的非必要特征数据。
在本发明实施例中，方法还包括：
将单胚胎移植妊娠结果预测模型的妊娠率中大于第一预设妊娠率的确定为第一优良妊娠率；
将第一优良妊娠率对应的目标胚胎发育状态特征数据和目标体格特征数据确定为第一优良特征数据，目标胚胎发育状态特征数据包括第一目标胚胎发育状态特征数据或第二目标胚胎发育状态特征数据。
在本发明实施例中，方法还包括：
将双胚胎移植妊娠结果预测模型的妊娠率中大于第二预设妊娠率的确定为第二优良妊娠率；
将第二优良妊娠率对应的第一目标胚胎发育状态特征数据、第二目标胚胎发育状态特征数据和目标体格特征数据确定为第二优良特征数据。
本发明第二方面提供一种用于确定胚胎移植类型的装置，包括：
第一获取模块，用于获取目标男性患者和目标女性患者的体格特征数据；
第二获取模块，用于获取第一胚胎发育状态特征数据和第二胚胎发育状态特征数据；
第一输入模块，用于将第一胚胎发育状态特征数据和第二胚胎发育状态特征数据的其中一者、体格特征数据输入至训练好的单胚胎移植妊娠结果预测模型，得到第一妊娠率，第一妊娠率对应单胚胎移植类型；
第二输入模块，用于将第一胚胎发育状态特征数据、第二胚胎发育状态特征数据和体格特征数据输入至训练好的双胚胎移植妊娠结果预测模型，得到第二妊娠率，第二妊娠率对应双胚胎移植类型；
确定模块，用于将第一妊娠率和第二妊娠率中较大一者对应的胚胎移植类型确定为目标男性患者和目标女性患者的胚胎移植类型。
本发明第三方面提供一种处理器，被配置成执行上述的用于确定胚胎移植类型的方法。
本发明第四方面提供一种机器可读存储介质，该机器可读存储介质上存储有指令，该指令用于使得机器执行上述的用于确定胚胎移植类型的方法。
在本发明实施例中，用于确定胚胎移植类型的方法包括：获取目标男性患者和目标女性患者的体格特征数据；获取第一胚胎发育状态特征数据和第二胚胎发育状态特征数据；将第一胚胎发育状态特征数据和第二胚胎发育状态特征数据的其中一者、体格特征数据输入至训练好的单胚胎移植妊娠结果预测模型，得到第一妊娠率，第一妊娠率对应单胚胎移植类型；将第一胚胎发育状态特征数据、第二胚胎发育状态特征数据和体格特征数据输入至训练好的双胚胎移植妊娠结果预测模型，得到第二妊娠率，第二妊娠率对应双胚胎移植类型；将第一妊娠率和第二妊娠率中较大一者对应的胚胎移植类型确定为目标男性患者和目标女性患者的胚胎移植类型。
男性和女性的体格特征数据、胚胎发育状态特征数据等都会影响胚胎移植的妊娠结果，在本发明实施例中，单胚胎移植妊娠结果预测模型和双胚胎移植妊娠结果预测模型均可以是机器学习模型，在患者需要做胚胎移植的决策之前，利用客观的机器学习模型分析得到单胚胎移植的第一妊娠率以及双胚胎移植的第二妊娠率，根据这两个客观的值来选择胚胎移植类型，为医务人员和男女患者的决策提供科学客观的建议与保障，胚胎移植类型选取时更合理更可靠。
附图说明
附图是用来提供对本发明实施例的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明实施例，但并不构成对本发明实施例的限制。在附图中：
图1示意性示出了根据本发明实施例的用于确定胚胎移植类型的方法的流程图；
图2示意性示出了根据本发明实施例的单胚胎移植妊娠结果预测模型和双胚胎移植妊娠结果预测模型的应用流程图。
具体实施方式
以下结合附图对本发明实施例的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明实施例，并不用于限制本发明实施例。
需要说明，若本申请实施方式中有涉及方向性指示(诸如上、下、左、右、前、后……)，则该方向性指示仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。
另外，若本申请实施方式中有涉及“第一”、“第二”等的描述，则该“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外，各个实施方式之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本申请要求的保护范围之内。
图1示意性示出了根据本发明实施例的用于确定胚胎移植类型的方法的流程图。如图1所示，在本发明一实施例中，提供了一种用于确定胚胎移植类型的方法，包括以下步骤：
步骤101，获取目标男性患者和目标女性患者的体格特征数据；
步骤102，获取第一胚胎发育状态特征数据和第二胚胎发育状态特征数据；
步骤103，将第一胚胎发育状态特征数据和第二胚胎发育状态特征数据的其中一者、体格特征数据输入至训练好的单胚胎移植妊娠结果预测模型，得到第一妊娠率，第一妊娠率对应单胚胎移植类型；
步骤104，将第一胚胎发育状态特征数据、第二胚胎发育状态特征数据和体格特征数据输入至训练好的双胚胎移植妊娠结果预测模型，得到第二妊娠率，第二妊娠率对应双胚胎移植类型；
步骤105，将第一妊娠率和第二妊娠率中较大一者对应的胚胎移植类型确定为目标男性患者和目标女性患者的胚胎移植类型。
男性和女性的体格特征数据、胚胎发育状态特征数据等都会影响胚胎移植的妊娠结果，在本发明实施例中，将特征数据(即影响因素)分为两方面，一方面是男性和女性(男女双方)的体格特征数据，另一方面是胚胎发育状态特征数据。示例性地，(男女双方的)体格特征数据包括身高、体重、身体质量指数、婚育史、既往病史、促排卵方案、精液质量等。第一胚胎发育状态特征数据和第二胚胎发育状态特征数据包括以下中的至少一者：冷冻过的卵裂期胚胎质量、冷冻过的囊胚期胚胎质量、未冷冻过的卵裂期胚胎质量、未冷冻过的囊胚期胚胎质量。这些影响因素的特征数据可以在生殖医学临床上获取到，可以利用以往男女患者胚胎移植的历史记录。需要说明的是，影响胚胎移植的妊娠结果的因素有很多，可能高达几百种影响因素，上述特征数据(影响因素)是作为示例说明，并不局限于上述特征数据。
基于上述特征数据对单胚胎移植妊娠结果预测模型和双胚胎移植妊娠结果预测模型进行训练，得到训练好的单胚胎移植妊娠结果预测模型和双胚胎移植妊娠结果预测模型。单胚胎移植妊娠结果预测模型的输入为第一胚胎发育状态特征数据和第二胚胎发育状态特征数据的其中一者、体格特征数据，单胚胎移植妊娠结果预测模型的输出为妊娠结果，即第一妊娠率。双胚胎移植妊娠结果预测模型的输入为将第一胚胎发育状态特征数据、第二胚胎发育状态特征数据和体格特征数据，双胚胎移植妊娠结果预测模型的输出为妊娠结果，即第二妊娠率。
为了辅助理解，举简易示例进行说明。假设第一妊娠率为60％，第二妊娠率为55％，由于单胚胎移植的第一妊娠率大于双胚胎移植的第二妊娠率，并且，移植2个胚胎可能发生多胎妊娠，双胞胎、多胞胎对于人体生理上是相对不好的情况，根据人体的生理结构来说，一个胚胎妊娠成功是最合适的。因此，建议医务人员和男女患者选择单胚胎移植类型，放弃选择双胚胎移植类型。
为了辅助理解，举简易示例进行说明。假设第一妊娠率为30％，第二妊娠率为65％，由于双胚胎移植的第二妊娠率远大于单胚胎移植的第一妊娠率，为了能更高概率成功临床妊娠，因此，建议医务人员和男女患者选择双胚胎移植类型，放弃选择单胚胎移植类型。
男性和女性的体格特征数据、胚胎发育状态特征数据等都会影响胚胎移植的妊娠结果，在本发明实施例中，单胚胎移植妊娠结果预测模型和双胚胎移植妊娠结果预测模型均可以是机器学习模型，在患者需要做胚胎移植的决策之前，利用客观的机器学习模型分析得到单胚胎移植的第一妊娠率以及双胚胎移植的第二妊娠率，根据这两个客观的值来选择胚胎移植类型，为医务人员和男女患者的决策提供科学客观的建议与保障，胚胎移植类型(或者称为胚胎移植方案)选取时更合理更可靠。
在一实施例中，第二妊娠率包括第一子妊娠率和第二子妊娠率；将第一胚胎发育状态特征数据、第二胚胎发育状态特征数据和体格特征数据输入至训练好的双胚胎移植妊娠结果预测模型，得到第二妊娠率包括：
将第一胚胎发育状态特征数据、第二胚胎发育状态特征数据和体格特征数据输入至训练好的双胚胎移植妊娠结果预测模型，得到单胚胎发育成功的第一子妊娠率和双胚胎发育成功的第二子妊娠率，第一子妊娠率和第二子妊娠率均对应双胚胎移植类型；
将第一妊娠率和第二妊娠率中较大一者对应的胚胎移植类型确定为目标男性患者和目标女性患者的胚胎移植类型包括：
将第一妊娠率和第一子妊娠率中较大一者对应的胚胎移植类型确定为目标男性患者和目标女性患者的胚胎移植类型。
对于单胚胎移植类型来说，由于只移植了1个胚胎，当这个胚胎发育成功时，对应妊娠成功；当这个胚胎发育失败时，对应妊娠失败；也就是说，单胚胎移植类型只有妊娠成功和妊娠失败两种结果。而对于双胚胎移植类型来说，由于是移植2个胚胎，当其中1个胚胎发育成功，另1个胚胎发育失败时，对应单胚胎妊娠成功；当2个胚胎均发育成功时，对应双胚胎妊娠成功；当2个胚胎均发育失败时，对应妊娠失败。所以第二妊娠率包括第一子妊娠率和第二子妊娠率，对于双胚胎移植妊娠结果，包括：单胚胎发育成功的第一子妊娠率和双胚胎发育成功的第二子妊娠率。
由于移植2个胚胎可能发生多胎妊娠，多胎妊娠是指至少两个胚胎都妊娠成功，形成类似于双胞胎、多胞胎的状态；双胞胎、多胞胎对于人体生理上是相对不好的情况，因为根据人体的生理结构来说，一个胚胎妊娠成功是最合适的。因此，将第一妊娠率和第一子妊娠率中较大一者对应的胚胎移植类型确定为目标男性患者和所述目标女性患者的胚胎移植类型。这样，为医务人员和男女患者的决策提供科学客观的建议与保障，胚胎移植类型(或者称为胚胎移植方案)选取时更合理更可靠。
为了辅助理解，举简易示例进行说明。假设单胚胎移植类型的第一妊娠率为40％，双胚胎移植类型中单胚胎发育成功的第一子妊娠率为30％，双胚胎移植类型中双胚胎发育成功的第二子妊娠率为45％，尽管第二子妊娠率大于第一妊娠率，仍然建议选择单胚胎移植类型(或者称为单胚胎移植方案)。
为了辅助理解，举简易示例进行说明。假设单胚胎移植类型的第一妊娠率为40％，双胚胎移植类型中单胚胎发育成功的第一子妊娠率为50％，双胚胎移植类型中双胚胎发育成功的第二子妊娠率为20％。由于第一子妊娠率大于第一妊娠率，建议选择双胚胎移植类型(或者称为双胚胎移植方案)。
在一实施例中，方法还包括：将第一胚胎发育状态特征数据和体格特征数据中每个特征数据的第一数据分布输入至单胚胎移植妊娠结果预测模型，得到第一模型输出结果；将每个特征数据的第二数据分布输入至单胚胎移植妊娠结果预测模型，得到第二模型输出结果；确定每个特征数据对应的第二模型输出结果和第一模型输出结果的第一差值；根据第一差值确定每个特征数据对于单胚胎移植妊娠结果预测模型的第一重要性程度；将第一重要性程度大于第一预设程度的特征数据确定为单胚胎移植妊娠结果预测模型的必要特征数据；将重要性程度不大于预设程度的特征数据确定为单胚胎移植妊娠结果预测模型的非必要特征数据。
双胚胎移植妊娠结果预测模型和单胚胎移植妊娠结果预测模型的可解释性分析是类似的，以胚胎移植妊娠结果预测模型的可解释性分析进行示例说明，来更加细致地帮助男女患者及医务人员合理规范或及时干预胚胎移植策略(即理解为胚胎移植类型)。在一实施例中，对影响因素(即特征数据)的重要性定义如下：假设某特征数据X的第一数据分布为K1，输入至单胚胎移植妊娠结果预测模型得到的结果为A1；现在将K1变为K2，即改变特征数据X的数据分布情况，得到特征数据X的第二数据分布为K2，此时再把数据分布状态为K2的取值输入至单胚胎移植妊娠结果预测模型，得到的结果为A2。如果A1和A2相差很大，则说明该特征数据X对于该单胚胎移植妊娠结果预测模型的拟合具有很大的影响，即特征数据X的重要性权重较大。如果对于特征数据X，任意改变他的数据分布情况，该单胚胎移植妊娠结果预测模型的结果都没什么太大变化，说明该特征数据几乎可有可无，它对模型结果的影响可以忽略不计。
为了辅助理解，举简易示例进行说明。以男性患者的体格特征数据中的身高为例，身高这一特征数据X的第一数据分布K1为171、172、173、174、175；身高这一特征数据X的第二数据分布K2为172、172、173、175、175。将第一数据分布K1输入至单胚胎移植妊娠结果预测模型，得到第一模型输出结果为A1，将第二数据分布K2输入至单胚胎移植妊娠结果预测模型，得到第二模型输出结果为A2。可以根据A1和A2的差值确定身高这一特征数据对于单胚胎移植妊娠结果预测模型的重要性程度；如果重要性程度大于第一预设程度，将身高这一特征数据确定为单胚胎移植妊娠结果预测模型的必要特征数据。如果重要性程度小于或等于第一预设程度，将身高这一特征数据确定为单胚胎移植妊娠结果预测模型的非必要特征数据。示例性地，必要特征数据的重要性程度较高，可以作为数据收集时的必填项、必要项。非必要特征数据的重要性程度较低，可以作为数据收集时的选填项、非必要项。
在一实施例中，体格特征数据包括以下中的至少一者：目标男性患者和目标女性患者的身高、体重、身体质量指数、婚育史、既往病史、促排卵方案、精液质量。第一胚胎发育状态特征数据和第二胚胎发育状态特征数据包括以下中的至少一者：冷冻过的卵裂期胚胎质量、冷冻过的囊胚期胚胎质量、未冷冻过的卵裂期胚胎质量、未冷冻过的囊胚期胚胎质量。上述是以身高这一特征数据的重要性程度进行示例说明，其他特征数据中每个特征数据对于单胚胎移植妊娠结果预测模型的重要性程度的讨论是类似的。
记录每个连续型的特征数据的取值与对应的第一模型输出结果A1，依次处理每个特征数据的数据分布，将该特征数据的每一个数据取值都进行随机化取值(随机取值范围是该特征数据的最大值与最小值的闭区间)，更新完所有样本的该特征数据的取值后(更新了所有样本的该特征数据取值后，数据分布情况肯定会发生变化，即会得到第二数据分布)，再输入特征数据的取值(即输入第二数据分布)，得到第二模型输出结果A2，记录|A1-A2|值。另外，对于分类型的特征数据，随机取值的时候，是从该特征数据的分类值当中，随机取任意一个特征数据取值。
对于某特征数据集，假设它的特征数据的数量总共为M，则应该得到的|A1-A2|的个数为M，将各个特征数据对应的|A1-A2|进行倒序排列，则最大|A1-A2|值对应的特征数据的重要性权值最大(即重要性程度最大)；否则为最小。这样，就能够得到所纳入的所有特征数据的重要性程度排序。另外，对于连续型的特征数据，分析其与模型输出结果的影响关系曲线，是线性影响还是非线性影响，这个分析结果能够充实医务人员就核心影响因素对移植成功率的见解。核心影响因素理解为重要性程度较高的特征数据，即单胚胎移植妊娠结果预测模型的必要特征数据。
在一实施例中，方法还包括：将第一胚胎发育状态特征数据、第二胚胎发育状态特征数据和体格特征数据中每个特征数据的第三数据分布输入至双胚胎移植妊娠结果预测模型，得到第三模型输出结果；将每个特征数据的第四数据分布输入至双胚胎移植妊娠结果预测模型，得到第四模型输出结果；确定每个特征数据对应的第四模型输出结果和第三模型输出结果的第二差值；根据第二差值确定每个特征数据对于双胚胎移植妊娠结果预测模型的第二重要性程度；将第二重要性程度大于第二预设程度的特征数据确定为双胚胎移植妊娠结果预测模型的必要特征数据；将重要性程度不大于预设程度的特征数据确定为双胚胎移植妊娠结果预测模型的非必要特征数据。双胚胎移植妊娠结果预测模型和单胚胎移植妊娠结果预测模型的可解释性分析是类似的，在此不再赘述。
在一实施例中，方法还包括：将单胚胎移植妊娠结果预测模型的妊娠率中大于第一预设妊娠率的确定为第一优良妊娠率；将第一优良妊娠率对应的目标胚胎发育状态特征数据和目标体格特征数据确定为第一优良特征数据，目标胚胎发育状态特征数据包括第一目标胚胎发育状态特征数据或第二目标胚胎发育状态特征数据。
为了辅助理解，举简易示例进行说明。以第一预设妊娠率为60％进行示例，将单胚胎移植妊娠结果预测模型的妊娠率中大于60％的确定为第一优良妊娠率，将第一优良妊娠率对应的目标胚胎发育状态特征数据和目标体格特征数据确定为第一优良特征数据。示例性地，假设某特征数据集Y：男性的身高为175cm、男性的体重为70kg、女性的身高为160cm、女性的体重为50kg、男女性的婚育史均为已婚未育、男女性的既往病史均为“无”、女性的促排卵方案为a方案、男性的精液质量为a等级、选用的是未冷冻过的囊胚期胚胎、未冷冻过的囊胚期胚胎质量为a评分。假设该特征数据集Y对应的妊娠率为70％，则该特征数据集Y中的各个目标体格特征数据和目标胚胎发育状态特征数据为优良特征数据。这样，为胚胎移植方案提供了科学客观的数据支撑和参考，给临床医务人员在胚胎移植问题上提供更细致的见解。
在一实施例中，方法还包括：将双胚胎移植妊娠结果预测模型的妊娠率中大于第二预设妊娠率的确定为第二优良妊娠率；将第二优良妊娠率对应的第一目标胚胎发育状态特征数据、第二目标胚胎发育状态特征数据和目标体格特征数据确定为第二优良特征数据。双胚胎移植妊娠结果预测模型中对于优良特征数据的分析与单胚胎移植妊娠结果预测模型是类似的，在此不再赘述。
下面对于单胚胎移植妊娠结果预测模型和双胚胎移植妊娠结果预测模型进行进一步说明。单胚胎移植妊娠结果预测模型的特征数据(即影响因素)为：将第一胚胎发育状态特征数据和第二胚胎发育状态特征数据的其中一者、体格特征数据。双胚胎移植妊娠结果预测模型的特征数据(即影响因素)为：第一胚胎发育状态特征数据、第二胚胎发育状态特征数据和体格特征数据。当获取到所有特征数据后，将数据集进行划分，将进行了单胚胎移植的患者样本数据划分为数据集T1，进行了双胚胎移植的患者样本数据划分为数据集T2。在一实施例中，数据集T1是以胚胎为单位，即一行代表一个样本，代表一个胚胎。数据集T2由于是用于双胚胎移植妊娠结果预测模型的构建，因此以患者为单位，一行记录代表一个患者。
下面介绍特征编码部分。对于患者本身的体格特征数据可以不需要编码，直接使用原始值。对于胚胎发育状态的相关数据(即第一胚胎发育状态特征数据和第二胚胎发育状态特征数据)，需要进行特征编码。数据集T1的编码方案如下：
特征名：胚胎来源；
如果该移植的胚胎属于未冷冻过的卵裂期胚胎，则标记为1；
如果该移植的胚胎属于未冷冻过的囊胚期胚胎，则标记为2；
如果该移植的胚胎属于冷冻过的卵裂期胚胎，则标记为3；
如果该移植的胚胎属于冷冻过的囊胚期胚胎，则标记为4；
特征名：未冷冻过的卵裂期胚胎评分，如果该胚胎属于未冷冻过的卵裂期胚胎，填上对应评分值，评分值用于评估未冷冻过的卵裂期胚胎质量；
特征名：未冷冻过的囊胚期胚胎评分，如果该胚胎属于未冷冻过的囊胚期胚胎，填上对应评分值，评分值用于评估未冷冻过的囊胚期胚胎质量；
特征名：冷冻过的卵裂期胚胎评分，如果该胚胎属于冷冻过的卵裂期胚胎，填上对应评分值，评分值用于评估冷冻过的卵裂期胚胎质量；
特征名：冷冻过的囊胚期胚胎评分，如果该胚胎属于冷冻过的囊胚期胚胎，填上对应评分值，评分值用于评估冷冻过的囊胚期胚胎质量。
数据集T2的编码方案与数据集T1的类似，只是数据集T2每行代表一个患者，列代表特征数据，双胚胎移植方案中，2个胚胎的参数取值分别占据一行。
下面简单介绍机器学习建模过程。在本发明实施例中，需要构建2个机器学习模型，一个是单胚胎移植妊娠结果预测模型，另一个是双胚胎移植妊娠结果预测模型。对于数据集T1，目标是通过机器学习算法训练得到单胚胎移植妊娠结果预测模型，模型结果的特征取值为：妊娠成功、妊娠失败。具体地，可以使用SVM(Support Vector Machine，支持向量机)、神经网络、决策树、以及XGBoost(eXtreme Gradient Boosting，极端梯度提升)对数据集T1进行训练拟合。各个模型发生过拟合(例如指定准确率经过20轮训练不再提高时)及时停止，否则训练至模型拟合时停止。取准确率最高的模型作为最终模型，然后对于数据集T1，进行5-10的随机数量折数的交叉验证，提高单胚胎移植妊娠结果预测模型的泛化能力。
对于数据集T2，目标是通过机器学习算法训练得到双胚胎移植妊娠结果预测模型。模型结果的特征取值为：多胚胎妊娠成功、单胚胎妊娠成功、妊娠失败。双胚胎移植妊娠结果预测模型的训练方法与单胚胎移植妊娠结果预测模型的类似。
建模完成后，对于某患者进行了单胚胎移植方案，能够通过单胚胎移植妊娠结果预测模型得到这个胚胎移植的成功妊娠率。对于某患者进行了双胚胎移植方案，能够通过双胚胎移植胎妊娠结果预测模型得到该患者进行胚胎移植得到多胎妊娠的结局概率。因此，上述2个模型的分析结果能够帮助男女患者和医务人员根据当前情况来预测胚胎移植后的情况，从而可以进行科学的指导，进行单、双胚胎移植的合理选择。
图2示意性示出了根据本发明实施例的单胚胎移植妊娠结果预测模型和双胚胎移植妊娠结果预测模型的应用流程图。可参见图2，分为：(1)数据准备：数据集T1和数据集T2；(2)特征编码；(3)数据集T1训练得到单胚胎移植妊娠结果预测模型；数据集T2训练得到双胚胎移植妊娠结果预测模型；(4)根据单胚胎移植妊娠结果预测模型的输出结果得到第一妊娠率；根据双胚胎移植妊娠结果预测模型的输出结果得到第二妊娠率；其中两个模型的输出结果为胚胎移植的决策提供科学指导；(5)进行单胚胎移植妊娠结果预测模型的可解释性分析；进行双胚胎移植妊娠结果预测模型的可解释性分析，其中解释性分析为胚胎移植问题提供见解，为及时干预提供方案。
本发明涉及一种用于辅助生殖过程中胚胎移植的辅助决策方法，在临床上的胚胎移植方案中，是应该进行“单胚胎移植”，还是“双胚胎移植”的问题，分别构建了机器学习模型进行分析预测，得到2个模型，一是单胚胎移植妊娠结果预测模型，它能够得到患者进行单个胚胎移植的成功妊娠率。二是双胚胎移植妊娠结果预测模型，它能够得到患者进行双胚胎移植的多胎妊娠概率。2个模型的结果均能够在患者进行胚胎移植前给予科学的决策指导；同时对于模型的可解释性分析能够得到纳入的影响因素的重要性程度，这些重要性权重可以给临床医务人员在胚胎移植问题上提供更细致的见解。
在本发明实施例中，用于确定胚胎移植类型的方法包括：获取目标男性患者和目标女性患者的体格特征数据；获取第一胚胎发育状态特征数据和第二胚胎发育状态特征数据；将第一胚胎发育状态特征数据和第二胚胎发育状态特征数据的其中一者、体格特征数据输入至训练好的单胚胎移植妊娠结果预测模型，得到第一妊娠率，第一妊娠率对应单胚胎移植类型；将第一胚胎发育状态特征数据、第二胚胎发育状态特征数据和体格特征数据输入至训练好的双胚胎移植妊娠结果预测模型，得到第二妊娠率，第二妊娠率对应双胚胎移植类型；将第一妊娠率和第二妊娠率中较大一者对应的胚胎移植类型确定为目标男性患者和目标女性患者的胚胎移植类型。
男性和女性的体格特征数据、胚胎发育状态特征数据等都会影响胚胎移植的妊娠结果，在本发明实施例中，单胚胎移植妊娠结果预测模型和双胚胎移植妊娠结果预测模型均可以是机器学习模型，在患者需要做胚胎移植的决策之前，利用客观的机器学习模型分析得到单胚胎移植的第一妊娠率以及双胚胎移植的第二妊娠率，根据这两个客观的值来选择胚胎移植类型，为医务人员和男女患者的决策提供科学客观的建议与保障，胚胎移植类型选取时更合理更可靠。
本发明实施例提供一种用于确定胚胎移植类型的装置，包括：
第一获取模块，用于获取目标男性患者和目标女性患者的体格特征数据；
第二获取模块，用于获取第一胚胎发育状态特征数据和第二胚胎发育状态特征数据；
第一输入模块，用于将第一胚胎发育状态特征数据和第二胚胎发育状态特征数据的其中一者、体格特征数据输入至训练好的单胚胎移植妊娠结果预测模型，得到第一妊娠率，第一妊娠率对应单胚胎移植类型；
第二输入模块，用于将第一胚胎发育状态特征数据、第二胚胎发育状态特征数据和体格特征数据输入至训练好的双胚胎移植妊娠结果预测模型，得到第二妊娠率，第二妊娠率对应双胚胎移植类型；
确定模块，用于将第一妊娠率和第二妊娠率中较大一者对应的胚胎移植类型确定为目标男性患者和目标女性患者的胚胎移植类型。
本发明第三方面提供一种处理器，被配置成执行上述实施例中任一项的用于确定胚胎移植类型的方法。
具体地，处理器可以被配置成：
获取目标男性患者和目标女性患者的体格特征数据；
获取第一胚胎发育状态特征数据和第二胚胎发育状态特征数据；
将第一胚胎发育状态特征数据和第二胚胎发育状态特征数据的其中一者、体格特征数据输入至训练好的单胚胎移植妊娠结果预测模型，得到第一妊娠率，第一妊娠率对应单胚胎移植类型；
将第一胚胎发育状态特征数据、第二胚胎发育状态特征数据和体格特征数据输入至训练好的双胚胎移植妊娠结果预测模型，得到第二妊娠率，第二妊娠率对应双胚胎移植类型；
将第一妊娠率和第二妊娠率中较大一者对应的胚胎移植类型确定为目标男性患者和目标女性患者的胚胎移植类型。
在本发明实施例中，处理器被配置成：
第二妊娠率包括第一子妊娠率和第二子妊娠率；
将第一胚胎发育状态特征数据、第二胚胎发育状态特征数据和体格特征数据输入至训练好的双胚胎移植妊娠结果预测模型，得到第二妊娠率包括：
将第一胚胎发育状态特征数据、第二胚胎发育状态特征数据和体格特征数据输入至训练好的双胚胎移植妊娠结果预测模型，得到单胚胎发育成功的第一子妊娠率和双胚胎发育成功的第二子妊娠率，第一子妊娠率和第二子妊娠率均对应双胚胎移植类型；
将第一妊娠率和第二妊娠率中较大一者对应的胚胎移植类型确定为目标男性患者和目标女性患者的胚胎移植类型包括：
将第一妊娠率和第一子妊娠率中较大一者对应的胚胎移植类型确定为目标男性患者和目标女性患者的胚胎移植类型。
在本发明实施例中，处理器被配置成：
体格特征数据包括以下中的至少一者：目标男性患者和目标女性患者的身高、体重、身体质量指数、婚育史、既往病史、促排卵方案、精液质量；
第一胚胎发育状态特征数据和第二胚胎发育状态特征数据包括以下中的至少一者：冷冻过的卵裂期胚胎质量、冷冻过的囊胚期胚胎质量、未冷冻过的卵裂期胚胎质量、未冷冻过的囊胚期胚胎质量。
在本发明实施例中，处理器被配置成：
将第一胚胎发育状态特征数据和体格特征数据中每个特征数据的第一数据分布输入至单胚胎移植妊娠结果预测模型，得到第一模型输出结果；
将每个特征数据的第二数据分布输入至单胚胎移植妊娠结果预测模型，得到第二模型输出结果；
确定每个特征数据对应的第二模型输出结果和第一模型输出结果的第一差值；
根据第一差值确定每个特征数据对于单胚胎移植妊娠结果预测模型的第一重要性程度；
将第一重要性程度大于第一预设程度的特征数据确定为单胚胎移植妊娠结果预测模型的必要特征数据；
将重要性程度不大于预设程度的特征数据确定为单胚胎移植妊娠结果预测模型的非必要特征数据。
在本发明实施例中，处理器被配置成：
将第一胚胎发育状态特征数据、第二胚胎发育状态特征数据和体格特征数据中每个特征数据的第三数据分布输入至双胚胎移植妊娠结果预测模型，得到第三模型输出结果；
将每个特征数据的第四数据分布输入至双胚胎移植妊娠结果预测模型，得到第四模型输出结果；
确定每个特征数据对应的第四模型输出结果和第三模型输出结果的第二差值；
根据第二差值确定每个特征数据对于双胚胎移植妊娠结果预测模型的第二重要性程度；
将第二重要性程度大于第二预设程度的特征数据确定为双胚胎移植妊娠结果预测模型的必要特征数据；
将重要性程度不大于预设程度的特征数据确定为双胚胎移植妊娠结果预测模型的非必要特征数据。
在本发明实施例中，处理器被配置成：
将单胚胎移植妊娠结果预测模型的妊娠率中大于第一预设妊娠率的确定为第一优良妊娠率；
将第一优良妊娠率对应的目标胚胎发育状态特征数据和目标体格特征数据确定为第一优良特征数据，目标胚胎发育状态特征数据包括第一目标胚胎发育状态特征数据或第二目标胚胎发育状态特征数据。
在本发明实施例中，处理器被配置成：
将双胚胎移植妊娠结果预测模型的妊娠率中大于第二预设妊娠率的确定为第二优良妊娠率；
将第二优良妊娠率对应的第一目标胚胎发育状态特征数据、第二目标胚胎发育状态特征数据和目标体格特征数据确定为第二优良特征数据。
本发明实施例提供一种机器可读存储介质，该机器可读存储介质上存储有指令，该指令用于使得机器执行上述实施例任一项的用于确定胚胎移植类型的方法。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种用于确定胚胎移植类型的方法，其特征在于，包括：
获取目标男性患者和目标女性患者的体格特征数据；
获取第一胚胎发育状态特征数据和第二胚胎发育状态特征数据；
将所述第一胚胎发育状态特征数据和所述第二胚胎发育状态特征数据的其中一者、所述体格特征数据输入至训练好的单胚胎移植妊娠结果预测模型，得到第一妊娠率，其中所述第一妊娠率对应单胚胎移植类型；
将所述第一胚胎发育状态特征数据、所述第二胚胎发育状态特征数据和所述体格特征数据输入至训练好的双胚胎移植妊娠结果预测模型，得到第二妊娠率，其中所述第二妊娠率对应双胚胎移植类型；
将所述第一妊娠率和所述第二妊娠率中较大一者对应的胚胎移植类型确定为所述目标男性患者和所述目标女性患者的胚胎移植类型。
2.根据权利要求1所述的方法，其特征在于，所述第二妊娠率包括第一子妊娠率和第二子妊娠率；所述将所述第一胚胎发育状态特征数据、所述第二胚胎发育状态特征数据和所述体格特征数据输入至训练好的双胚胎移植妊娠结果预测模型，得到第二妊娠率包括：
将所述第一胚胎发育状态特征数据、所述第二胚胎发育状态特征数据和所述体格特征数据输入至训练好的双胚胎移植妊娠结果预测模型，得到单胚胎发育成功的第一子妊娠率和双胚胎发育成功的第二子妊娠率，其中所述第一子妊娠率和所述第二子妊娠率均对应双胚胎移植类型；
所述将所述第一妊娠率和所述第二妊娠率中较大一者对应的胚胎移植类型确定为所述目标男性患者和所述目标女性患者的胚胎移植类型包括：
将所述第一妊娠率和所述第一子妊娠率中较大一者对应的胚胎移植类型确定为所述目标男性患者和所述目标女性患者的胚胎移植类型。
3.根据权利要求1所述的方法，其特征在于，所述体格特征数据包括以下中的至少一者：所述目标男性患者和目标女性患者的身高、体重、身体质量指数、婚育史、既往病史、促排卵方案、精液质量；
所述第一胚胎发育状态特征数据和所述第二胚胎发育状态特征数据包括以下中的至少一者：冷冻过的卵裂期胚胎质量、冷冻过的囊胚期胚胎质量、未冷冻过的卵裂期胚胎质量、未冷冻过的囊胚期胚胎质量。
4.根据权利要求3所述的方法，其特征在于，所述方法还包括：
将所述第一胚胎发育状态特征数据和所述体格特征数据中每个特征数据的第一数据分布输入至所述单胚胎移植妊娠结果预测模型，得到第一模型输出结果；
将所述每个特征数据的第二数据分布输入至所述单胚胎移植妊娠结果预测模型，得到第二模型输出结果；
确定所述每个特征数据对应的所述第二模型输出结果和所述第一模型输出结果的第一差值；
根据所述第一差值确定所述每个特征数据对于所述单胚胎移植妊娠结果预测模型的第一重要性程度；
将所述第一重要性程度大于第一预设程度的特征数据确定为所述单胚胎移植妊娠结果预测模型的必要特征数据；
将所述重要性程度不大于预设程度的特征数据确定为所述单胚胎移植妊娠结果预测模型的非必要特征数据。
5.根据权利要求3所述的方法，其特征在于，所述方法还包括：
将所述第一胚胎发育状态特征数据、所述第二胚胎发育状态特征数据和所述体格特征数据中每个特征数据的第三数据分布输入至所述双胚胎移植妊娠结果预测模型，得到第三模型输出结果；
将所述每个特征数据的第四数据分布输入至所述双胚胎移植妊娠结果预测模型，得到第四模型输出结果；
确定所述每个特征数据对应的所述第四模型输出结果和所述第三模型输出结果的第二差值；
根据所述第二差值确定所述每个特征数据对于所述双胚胎移植妊娠结果预测模型的第二重要性程度；
将所述第二重要性程度大于第二预设程度的特征数据确定为所述双胚胎移植妊娠结果预测模型的必要特征数据；
将所述重要性程度不大于预设程度的特征数据确定为所述双胚胎移植妊娠结果预测模型的非必要特征数据。
6.根据权利要求1所述的方法，其特征在于，所述方法还包括：
将所述单胚胎移植妊娠结果预测模型的妊娠率中大于第一预设妊娠率的确定为第一优良妊娠率；
将所述第一优良妊娠率对应的目标胚胎发育状态特征数据和目标体格特征数据确定为第一优良特征数据，其中所述目标胚胎发育状态特征数据包括第一目标胚胎发育状态特征数据或第二目标胚胎发育状态特征数据。
7.根据权利要求1所述的方法，其特征在于，所述方法还包括：
将所述双胚胎移植妊娠结果预测模型的妊娠率中大于第二预设妊娠率的确定为第二优良妊娠率；
将所述第二优良妊娠率对应的第一目标胚胎发育状态特征数据、第二目标胚胎发育状态特征数据和目标体格特征数据确定为第二优良特征数据。
8.一种用于确定胚胎移植类型的装置，其特征在于，包括：
第一获取模块，用于获取目标男性患者和目标女性患者的体格特征数据；
第二获取模块，用于获取第一胚胎发育状态特征数据和第二胚胎发育状态特征数据；
第一输入模块，用于将所述第一胚胎发育状态特征数据和所述第二胚胎发育状态特征数据的其中一者、所述体格特征数据输入至训练好的单胚胎移植妊娠结果预测模型，得到第一妊娠率，其中所述第一妊娠率对应单胚胎移植类型；
第二输入模块，用于将所述第一胚胎发育状态特征数据、所述第二胚胎发育状态特征数据和所述体格特征数据输入至训练好的双胚胎移植妊娠结果预测模型，得到第二妊娠率，其中所述第二妊娠率对应双胚胎移植类型；
确定模块，用于将所述第一妊娠率和所述第二妊娠率中较大一者对应的胚胎移植类型确定为所述目标男性患者和所述目标女性患者的胚胎移植类型。
9.一种处理器，其特征在于，被配置成执行根据权利要求1至7中任一项所述的用于确定胚胎移植类型的方法。
10.一种机器可读存储介质，该机器可读存储介质上存储有指令，其特征在于，该指令用于使得机器执行根据权利要求1至7任一项所述的用于确定胚胎移植类型的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310530122.0A CN116561627B (zh) | 2023-05-11 | 2023-05-11 | 用于确定胚胎移植类型的方法、装置、处理器及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310530122.0A CN116561627B (zh) | 2023-05-11 | 2023-05-11 | 用于确定胚胎移植类型的方法、装置、处理器及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116561627A true CN116561627A (zh) | 2023-08-08 |
| CN116561627B CN116561627B (zh) | 2024-04-16 |
Family
ID=87485642
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310530122.0A Active CN116561627B (zh) | 2023-05-11 | 2023-05-11 | 用于确定胚胎移植类型的方法、装置、处理器及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116561627B (zh) |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008113634A (ja) * | 2006-11-08 | 2008-05-22 | Univ Kinki | 一胚由来産子並びに胚性幹細胞の生産系 |
| CN102132311A (zh) * | 2008-07-01 | 2011-07-20 | 利兰·斯坦福青年大学托管委员会 | 用于评价临床不育的方法和系统 |
| CN102985926A (zh) * | 2010-07-13 | 2013-03-20 | 尤尼维公司 | 不孕症治疗中评估多胎分娩风险的方法 |
| CN104232566A (zh) * | 2011-05-31 | 2014-12-24 | 尤尼森斯繁殖技术公司 | 基于卵裂球的卵裂和形态的胚胎质量评估 |
| WO2015001458A1 (en) * | 2013-07-04 | 2015-01-08 | Vitrolife Kft | Embryo assessment method |
| RU2550965C1 (ru) * | 2014-06-23 | 2015-05-20 | Федеральное государственное бюджетное учреждение "Научный центр акушерства, гинекологии и перинатологии имени академика В.И. Кулакова" Министерства здравоохранения Российской Федерации | Способ прогнозирования наступления беременности в программе экстракорпорального оплодотворения при селективном переносе эмбрионов путем оценки молекулярно-генетического профиля гамет с помощью пцр-рв |
| CN111783854A (zh) * | 2020-06-18 | 2020-10-16 | 武汉互创联合科技有限公司 | 胚胎妊娠状态智能预测方法及系统 |
| US20210174958A1 (en) * | 2018-04-13 | 2021-06-10 | Freenome Holdings, Inc. | Machine learning implementation for multi-analyte assay development and testing |
| CN113160886A (zh) * | 2021-04-02 | 2021-07-23 | 山东大学 | 基于单细胞Hi-C数据的细胞类型预测系统 |
| US20210272282A1 (en) * | 2018-08-07 | 2021-09-02 | Cornell University | System and method for selecting artificially fertilized embryos |
| CN113906472A (zh) * | 2019-04-04 | 2022-01-07 | 普雷萨根私人有限公司 | 用于选择胚胎的方法和系统 |
| CN114255876A (zh) * | 2021-11-15 | 2022-03-29 | 无锡职业技术学院 | 胚胎优胚率的预测方法、装置、终端及可读存储介质 |
| US20230018456A1 (en) * | 2020-01-21 | 2023-01-19 | Fairtility Ltd. | Methods and systems for determining optimal decision time related to embryonic implantation |
-
2023
- 2023-05-11 CN CN202310530122.0A patent/CN116561627B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008113634A (ja) * | 2006-11-08 | 2008-05-22 | Univ Kinki | 一胚由来産子並びに胚性幹細胞の生産系 |
| CN102132311A (zh) * | 2008-07-01 | 2011-07-20 | 利兰·斯坦福青年大学托管委员会 | 用于评价临床不育的方法和系统 |
| CN102985926A (zh) * | 2010-07-13 | 2013-03-20 | 尤尼维公司 | 不孕症治疗中评估多胎分娩风险的方法 |
| CN104232566A (zh) * | 2011-05-31 | 2014-12-24 | 尤尼森斯繁殖技术公司 | 基于卵裂球的卵裂和形态的胚胎质量评估 |
| WO2015001458A1 (en) * | 2013-07-04 | 2015-01-08 | Vitrolife Kft | Embryo assessment method |
| RU2550965C1 (ru) * | 2014-06-23 | 2015-05-20 | Федеральное государственное бюджетное учреждение "Научный центр акушерства, гинекологии и перинатологии имени академика В.И. Кулакова" Министерства здравоохранения Российской Федерации | Способ прогнозирования наступления беременности в программе экстракорпорального оплодотворения при селективном переносе эмбрионов путем оценки молекулярно-генетического профиля гамет с помощью пцр-рв |
| US20210174958A1 (en) * | 2018-04-13 | 2021-06-10 | Freenome Holdings, Inc. | Machine learning implementation for multi-analyte assay development and testing |
| US20210272282A1 (en) * | 2018-08-07 | 2021-09-02 | Cornell University | System and method for selecting artificially fertilized embryos |
| CN113906472A (zh) * | 2019-04-04 | 2022-01-07 | 普雷萨根私人有限公司 | 用于选择胚胎的方法和系统 |
| US20230018456A1 (en) * | 2020-01-21 | 2023-01-19 | Fairtility Ltd. | Methods and systems for determining optimal decision time related to embryonic implantation |
| CN111783854A (zh) * | 2020-06-18 | 2020-10-16 | 武汉互创联合科技有限公司 | 胚胎妊娠状态智能预测方法及系统 |
| CN113160886A (zh) * | 2021-04-02 | 2021-07-23 | 山东大学 | 基于单细胞Hi-C数据的细胞类型预测系统 |
| CN114255876A (zh) * | 2021-11-15 | 2022-03-29 | 无锡职业技术学院 | 胚胎优胚率的预测方法、装置、终端及可读存储介质 |
Non-Patent Citations (7)
| Title |
|---|
| BARBARE LUCK, ET.AL: "A prediction model for live birth and multiple births within the first three cycles of assisted reproductive technology", 《FERTILE STERIL》, vol. 102, no. 3, pages 744 - 752 * |
| FANG CHEN, ET.AL: "Selecting the embryo with the highest implantation potential using a data mining based prediction model", 《REPRODUCTIVE BIOLOGY AND ENDOCRINOLOGY》, vol. 14, no. 10, pages 1 - 12 * |
| LIJUE LIU, ET.AL: "Machine learning algorithms to predict early pregnancy loss after in vitro fertilizaton-embryo transfer with fetal heart rate as a strong predictor", 《COMPUTER METHODS AND PROGRAMS IN BIOMEDICINE》, vol. 196, pages 1 - 8 * |
| REZA MORADI RAD, ET.AL: "Predicting Human Embryos\' Implantation Outcome from a Single Blastocyst Image", 《41ST ANNUAL INTERNATIONAL CONFERENCE OF THE IEEE ENGINEERING IN MEDICINE AND BIOLOGY SOCIETY (EMBC)》, 7 October 2019 (2019-10-07), pages 920 - 924 * |
| 季玉娟等: "优化选择性卵裂期单胚胎移植策略的妊娠结局分析", 《生殖医学杂志》, vol. 31, no. 8, 31 August 2022 (2022-08-31), pages 1022 - 1029 * |
| 李丝雨: "体外受精-胚胎移植中高龄女性不同年龄段首次移植囊胚数目的决策", 《中国优秀硕士学位论文全文数据库 (医药卫生科技辑)》, no. 3, pages 068 - 303 * |
| 杨会生: "针灸治疗早发性卵巢功能不全的疗效影响因素和机器学习妊娠预测", 《中国博士学位论文全文数据库 (医药卫生科技辑)》, no. 2, pages 056 - 99 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116561627B (zh) | 2024-04-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11816753B2 (en) | Automated evaluation of human embryos | |
| JP7489920B2 (ja) | プログラム、学習モデル、情報処理装置、情報処理方法、情報表示方法および学習モデルの製造方法 | |
| US20230028645A1 (en) | Methods and systems for embryo classification using morpho-kinetic signatures | |
| CN109214437A (zh) | 一种基于机器学习的ivf-et早孕胚胎发育预测系统 | |
| Glatstein et al. | New frontiers in embryo selection | |
| US20210241855A1 (en) | Methods and test kits for determining male fertility status | |
| CN114463605A (zh) | 基于深度学习的持续学习图像分类方法及装置 | |
| CN116561627B (zh) | 用于确定胚胎移植类型的方法、装置、处理器及存储介质 | |
| CN104755608A (zh) | 体外培养胚胎的自动化监控 | |
| Mane et al. | A survey on diabetic retinopathy detection using deep learning | |
| US6941288B2 (en) | Online learning method in a decision system | |
| CN113140320A (zh) | 一种用于先心病手术患儿术后远期营养不良的预测模型的构建方法 | |
| CN114467112A (zh) | 用于辅助生殖程序的质量保证度量的自动评估 | |
| US20240249142A1 (en) | Methods and systems for embryo classificiation | |
| CN109753564A (zh) | 基于机器学习的中文rct智能分类器的构建方法 | |
| Chen et al. | Automating blastocyst formation and quality prediction in time-lapse imaging with adaptive key frame selection | |
| Canga et al. | Detection of correct pregnancy status in lactating dairy cattle using MARS data mining algorithm | |
| CN111814462A (zh) | 基于动态正则化的高效终身关系提取方法及系统 | |
| CN116433652B (zh) | 用于确定胚胎移植的妊娠结果的方法、处理器及装置 | |
| Black et al. | Using hidden Markov models to determine changes in subject data over time, studying the immunoregulatory effect of mesenchymal stem cells | |
| WO2024003716A2 (en) | Methods and systems for classification of eggs and embryos using morphological and morpho-kinetic signatures | |
| Kireeva et al. | An Impact of Severe Preeclampsia on Cardiovascular System Adaptation of Newborns in Early Neonatal Period | |
| Bormann et al. | AIM in Medical Disorders in Pregnancy | |
| Gao et al. | OWFD-UCPM: An open-world fault diagnosis scheme based on uncertainty calibration and prototype management | |
| JP2024513659A (ja) | 人工知能を使用して胚生存能力を評価するためのシステムおよび方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |