RU2810125C1 - Автоматизированная оценка показателей обеспечения качества для процедур вспомогательной репродукции - Google Patents
Автоматизированная оценка показателей обеспечения качества для процедур вспомогательной репродукции Download PDFInfo
- Publication number
- RU2810125C1 RU2810125C1 RU2022108660A RU2022108660A RU2810125C1 RU 2810125 C1 RU2810125 C1 RU 2810125C1 RU 2022108660 A RU2022108660 A RU 2022108660A RU 2022108660 A RU2022108660 A RU 2022108660A RU 2810125 C1 RU2810125 C1 RU 2810125C1
- Authority
- RU
- Russia
- Prior art keywords
- cell structure
- reproductive cell
- neural network
- image
- embryo
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000000275 quality assurance Methods 0.000 title abstract description 51
- 210000005132 reproductive cell Anatomy 0.000 claims abstract description 85
- 238000013528 artificial neural network Methods 0.000 claims abstract description 63
- 238000003384 imaging method Methods 0.000 claims abstract description 31
- 230000001850 reproductive effect Effects 0.000 abstract description 17
- 210000003850 cellular structure Anatomy 0.000 abstract description 13
- 230000000694 effects Effects 0.000 abstract description 3
- 238000012795 verification Methods 0.000 abstract description 2
- 239000000126 substance Substances 0.000 abstract 1
- 210000001161 mammalian embryo Anatomy 0.000 description 61
- 210000000287 oocyte Anatomy 0.000 description 49
- 230000004720 fertilization Effects 0.000 description 45
- 238000013527 convolutional neural network Methods 0.000 description 29
- 230000035935 pregnancy Effects 0.000 description 20
- 238000011161 development Methods 0.000 description 18
- 230000018109 developmental process Effects 0.000 description 18
- 239000002609 medium Substances 0.000 description 18
- 210000002257 embryonic structure Anatomy 0.000 description 17
- 238000012545 processing Methods 0.000 description 15
- 230000015654 memory Effects 0.000 description 14
- 230000013020 embryo development Effects 0.000 description 13
- 230000008569 process Effects 0.000 description 13
- 239000001963 growth medium Substances 0.000 description 12
- 238000004458 analytical method Methods 0.000 description 11
- 238000002513 implantation Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 235000013601 eggs Nutrition 0.000 description 7
- 230000032692 embryo implantation Effects 0.000 description 7
- 230000000877 morphologic effect Effects 0.000 description 6
- 210000004508 polar body Anatomy 0.000 description 6
- 238000001303 quality assessment method Methods 0.000 description 6
- 238000002347 injection Methods 0.000 description 5
- 239000007924 injection Substances 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000036541 health Effects 0.000 description 4
- 230000009027 insemination Effects 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000000386 microscopy Methods 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000000306 recurrent effect Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 210000002459 blastocyst Anatomy 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 238000000338 in vitro Methods 0.000 description 2
- 230000036512 infertility Effects 0.000 description 2
- 208000000509 infertility Diseases 0.000 description 2
- 231100000535 infertility Toxicity 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000031864 metaphase Effects 0.000 description 2
- 229920000747 poly(lactic acid) Polymers 0.000 description 2
- 239000004626 polylactic acid Substances 0.000 description 2
- 230000007115 recruitment Effects 0.000 description 2
- 238000012552 review Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 208000002500 Primary Ovarian Insufficiency Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- NIXOWILDQLNWCW-UHFFFAOYSA-N acrylic acid group Chemical group C(C=C)(=O)O NIXOWILDQLNWCW-UHFFFAOYSA-N 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 239000012472 biological sample Substances 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000000339 bright-field microscopy Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 230000005802 health problem Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000000394 mitotic effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000002611 ovarian Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 206010036601 premature menopause Diseases 0.000 description 1
- 208000017942 premature ovarian failure 1 Diseases 0.000 description 1
- 238000004549 pulsed laser deposition Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 210000004291 uterus Anatomy 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Abstract
Изобретение относится к области поддержки принятия медицинских решений и, в частности, к автоматизированной оценке показателей обеспечения качества для процедур вспомогательной репродукции. Технический результат заключается в обеспечении проверки идентичности репродуктивной клеточной структуры. Такой результат достигается за счёт того, что получают первое изображение репродуктивной клеточной структуры в устройстве формирования изображения в первый момент времени и предоставляют его в нейронную сеть для генерирования первого ключа идентификации, представляющего морфологию репродуктивной клеточной структуры; получают второе изображение репродуктивной клеточной структуры в устройстве формирования изображения во второй момент времени после первого момента времени и предоставляют его в нейронную сеть для генерирования второго ключа идентификации, представляющего морфологию репродуктивной клеточной структуры; и сравнивают первый ключ идентификации со вторым ключом идентификации для проверки идентичности репродуктивной клеточной структуры, при этом первое и второе изображения указывают как представляющие одну и ту же репродуктивную клеточную структуру, если первый ключ идентификации соответствует второму ключу идентификации, и первое и второе изображения указывают как представляющие разные репродуктивные клеточные структуры, если первый ключ идентификации не соответствует второму ключу идентификации. 1 з.п. ф-лы, 9 ил.
Description
РОДСТВЕННЫЕ ЗАЯВКИ
[0001] Настоящая заявка испрашивает приоритет в соответствии с каждой из предварительной патентной заявки США с серийным номером 62/897,043, поданной 6 сентября 2019 г. и озаглавленной «СИСТЕМА ОТСЛЕЖИВАНИЯ ЭМБРИОНОВ И ИДЕНТИФИКАЦИИ ОБРАЗЦОВ С ПОДДЕРЖКОЙ ГЛУБОКОЙ НЕЙРОННОЙ СЕТИ ДЛЯ МИНИМИЗАЦИИ ОШИБОК В ПРАКТИКЕ ЭКО» («DEEP NEURAL NETWORK-ENABLED EMBRYO TRACKING AND SPECIMEN IDENTIFICATION SYSTEM FOR ERROR MINIMIZATION IN IVF PRACTICES))), предварительной патентной заявки США с серийным номером 62/897,045, поданной 6 сентября 2019 г. и озаглавленной «АВТОМАТИЗИРОВАННАЯ ОЦЕНКА КАЧЕСТВА ОТДЕЛЬНЫХ ЭМБРИОЛОГОВ, ВЫПОЛНЯЮЩИХ ИКСИ С ИСПОЛЬЗОВАНИЕМ ТЕХНОЛОГИИ ОПЛОДОТВОРЕНИЯ И СОРТИРОВКИ ЭМБРИОНОВ НА ОСНОВЕ ГЛУБОКОГО ОБУЧЕНИЯ» («AUTOMATED QUALITY ASSESSMENT OF INDIVIDUAL EMBRYOLOGISTS PERFORMING ICSI USING DEEP LEARNING-ENABLED FERTILIZATION AND EMBRYO GRADING TECHNOLOGY))), предварительной заявки на патент США с серийным номером 62/897,049, поданной 6 сентября 2019 г. и озаглавленной «МОНИТОРИНГ УСЛОВИЙ КУЛЬТИВИРОВАНИЯ ЭМБРИОНОВ ЧЕЛОВЕКА С ИСПОЛЬЗОВАНИЕМ КЛЮЧЕВОГО ПОКАЗАТЕЛЯ ЭФФЕКТИВНОСТИ (KPI), ПОЛУЧЕННОГО НА ОСНОВЕ ГЛУБОКОГО ОБУЧЕНИЯ» («MONITORING OF HUMAN EMBRYO CULTURE CONDITIONS USFNG A DEEP LEARNING-DERIVED KEY PERFORMANCE INDICATOR (KPI)»), и предварительной патентной заявки США с серийным номером 62/897,053, поданной 6 сентября 2019 г. и озаглавленной «ПРОГНОЗИРОВАНИЕ ОПЛОДОТВОРЕНИЯ НА ОСНОВЕ МОРФОЛОГИЧЕСОКГО КАЧЕСТВА ООЦИТОВ С ПОМОЩЬЮ ГЛУБОКОГО ОБУЧЕНИЯ)) («DEEP LEARNING-ENABLED PREDICTION OF FERTILIZATION BASED ON OOCYTE MORPHOLOGICAL QUALITY))). Полное содержание каждой из этих заявок настоящим включено в описание посредством ссылки во всей своей полноте для всех целей.
ОБЛАСТЬ ТЕХНИКИ
[0002] Настоящее изобретение в общем относится к области поддержки принятия медицинских решений и, в частности, к автоматизированной оценке показателей обеспечения качества для процедур вспомогательной репродукции.
ПРЕДПОСЫЛКИ СОЗДАНИЯ ИЗОБРЕТЕНИЯ
[0003] Бесплодие является недооцененной проблемой здравоохранения, которая затрагивает более сорока восьми миллионов пар во всем мире и является причиной психологического стресса, депрессии и дискриминации. Хотя вспомогательные репродуктивные технологии (ВРТ) (assisted reproductive technologies, ART), такие как экстракорпоральное оплодотворение (ЭКО) (in-vitro fertilization, IVF), в некоторой степени облегчили бремя бесплодия, они оказались неэффективными со средним показателем успеха примерно двадцать шесть процентов, как сообщалось в 2015 году в США. ЭКО остается дорогим решением со стоимостью от 7000 до 20000 долларов за цикл ВРТ в США, что обычно не покрывается страховкой. Кроме того, многим пациентам требуется несколько циклов ЭКО для достижения беременности.
[0004] Анализ данных является важной частью программы эффективной оценки качества (ОК) вспомогательной репродуктивной процедуры. Регулярный обзор установленных ключевых показателей эффективности (key performance indicator, KPI) важен для обеспечения надлежащего функционирования лаборатории и, что, возможно, более важно, для выявления потенциальных проблем для своевременного исправления. Оценка оплодотворения является основным результатом, используемым для измерения квалификации персонала эмбриологии в отношении интрацитоплазматической инъекции сперматозоида (ИКСИ) (hitracytoplasmic sperm injection, ICSI). Однако отслеживание развития эмбрионов, полученных с помощью ИКСИ, может дать более полную картину того, насколько хорошо выполняется эта процедура.
СУЩНОСТЬ ИЗОБРЕТЕНИЯ
[0005] В соответствии с аспектом настоящего изобретения предложен способ назначения параметра качества репродуктивной клеточной структуре. Получают изображение репродуктивной клеточной структуры. Изображение репродуктивной клеточной структуры передают в нейронную сеть для генерирования значения, представляющего морфологию репродуктивной клеточной структуры. Значение сравнивают с заранее заданным стандартом для получения показателя обеспечения качества, представляющего одно из медицинского персонала, учреждения, питательной среды, и идентичности репродуктивной клеточной структуры.
[0006] В соответствии с другим аспектом настоящего изобретения система включает в себя процессор, устройство вывода и машиночитаемый носитель, хранящий машиноисполняемые инструкции для назначения показателя обеспечения качества эмбриону. Инструкции, машиноисполняемые, содержат интерфейс устройства формирования изображения, который получает изображение эмбриона от соответствующего устройства формирования изображения, и сверточную нейронную сеть (CNN), которая определяет по изображению эмбриона значение, представляющее вероятность успешного исхода для эмбриона. Компонент анализа качества вычисляет значение, представляющее эффективность одного из медицинского персонала, учреждения и питательной среды для набора эмбрионов, и сравнивает это значение с пороговым значением для создания показателя обеспечения качества. Пользовательский интерфейс отображает показатель обеспечения качества для пользователя на устройстве вывода.
[0007] В соответствии с еще одним аспектом настоящего изобретения система включает в себя процессор, устройство вывода и машиночитаемый носитель, хранящий машиноисполняемые инструкции для присвоения значения, представляющего качество ооцита. Машиноисполняемые инструкции содержат интерфейс устройства формирования изображения, который получает изображение ооцита от соответствующего устройства формирования изображения, и сверточную нейронную сеть, которая определяет по изображению ооцита значение, представляющее одно из вероятности успешного оплодотворения ооцита и местоположения полярного тельца ооцита. Пользовательский интерфейс отображает значение, представляющее вероятность успешного оплодотворения ооцита для пользователя на устройстве вывода.
[0008] В соответствии с еще одним аспектом настоящего изобретения система включает в себя процессор, устройство вывода и машиночитаемый носитель, хранящий машиноисполняемые инструкции для подтверждения идентичности репродуктивной клеточной структуры. Машиноисполняемые инструкции содержат интерфейс устройства формирования изображения, который получает первое изображение репродуктивной клеточной структуры, полученное в первый момент времени, и второе изображение репродуктивной клеточной структуры, полученное во второй момент времени, от соответствующего устройства формирования изображения. Нейронная сеть генерирует ключ идентификатора из первого изображения репродуктивной клеточной структуры и значение, представляющее морфологию репродуктивной клеточной структуры, из второго изображения. Компонент проверки идентичности сравнивает значение, представляющее морфологию репродуктивной клеточной структуры, с ключом идентификатора, чтобы определить, принадлежит ли репродуктивная клеточная структура пациенту, связанному с ключом идентификатора. Пользовательский интерфейс отображает определение того, принадлежит ли репродуктивная клеточная структура пациенту, связанному с ключом идентификатора, пользователю на устройстве вывода.
КРАТКОЕ ОПИСАНИЕ ЧЕРТЕЖЕЙ
[0009] Вышеизложенные и другие признаки настоящего изобретения станут очевидными для специалистов в области техники, к которой относится настоящее изобретение, после прочтения следующего описания со ссылками на прилагаемые чертежи, на которых:
[0010] Фиг. 1 иллюстрирует систему для назначения показателя обеспечения качества репродуктивной клеточной структуре;
[0011] Фиг. 2 представляет пример реализации системы для назначения показателя обеспечения качества эмбриону;
[0012] Фиг. 3 представляет пример реализации системы для назначения показателя качества ооциту;
[0013] Фиг. 4 иллюстрирует пример реализации системы проверки идентичности репродуктивной клеточной структуры;
[0014] Фиг. 5 иллюстрирует способ назначения показателя обеспечения качества репродуктивной клеточной структуре;
[0015] Фиг. 6 иллюстрирует способ назначения эмбриону показателя обеспечения качества;
[0016] Фиг. 7 иллюстрирует способ присвоения значения, представляющего качество ооцита;
[0017] Фиг. 8 иллюстрирует способ проверки идентичности репродуктивной клеточной структуры; а также
[0018] Фиг. 9 представляет собой структурную схему, иллюстрирующую пример системы аппаратных компонентов, способных реализовать примеры систем и способов, раскрытых в данном документе.
ПОДРОБНОЕ ОПИСАНИЕ
[0019] «Репродуктивная клеточная структура», используемая в данном документе, представляет собой ооцит до или после оплодотворения. Соответственно, термин предназначен для охвата как ооцита, так и эмбриона на любой стадии развития до имплантации пациенту или субъекту.
[0020] «Показатель обеспечения качества», используемый в данном документе, представляет собой непрерывное, численное или категориальное значение, отражающее соответствие установленному набору практик во время вспомогательной репродуктивной процедуры.
[0021] Современные способы компьютерного зрения для оценки эмбрионов и ооцитов являются полуавтоматическими, ограничиваются измерением конкретных параметров, обеспечивающих показатели, которые требуют дальнейшего анализа эмбриологами и требуют строго контролируемых систем визуализации. Предыдущие попытки разработки систем, использующих подходы машинного обучения во вспомогательной репродукции, требовали интенсивной предварительной обработки изображений с последующей сегментацией признаков для классификации под руководством человека. Из-за зависимости подходов машинного обучения от обработки и сегментации изображений такие способы имеют те же ограничения, что и методы компьютерного зрения.
[0022] Здесь мы преодолеваем эту проблему, используя глубокие нейронные сети, предварительно обученные с большим набором изображений, для переноса обучения классификации репродуктивных клеточных структур на клинически значимых стадиях развития. В отличие от предшествующих компьютерных алгоритмов, используемых для оценки репродуктивных клеточных структур, представленные здесь системы и способы позволяют автоматически выбирать признаки и анализировать их на уровне пикселей без какой-либо помощи со стороны эмбриолога. В одном примере сверточная нейронная сеть применяется для определения вариаций формы, структуры и текстуры между морфологически сложными репродуктивными клеточными структурами. Система устойчива к изменениям освещения и качества изображения благодаря сбору данных с использованием нескольких инструментов.
[0023] Фиг. 1 показывает систему 100 для назначения показателя обеспечения качества репродуктивной клеточной структуре. Система 100 включает в себя устройство 102 формирования изображения, которое получает изображение репродуктивной клеточной структуры. Например, устройство 102 формирования изображения может включать в себя одну или несколько камер, способных создавать изображения в видимом или инфракрасном диапазоне, в сочетании с соответствующей оптикой для получения изображения репродуктивной клеточной структуры. На практике устройство 102 формирования изображения может быть реализовано для захвата изображений репродуктивной клеточной структуры в течение нескольких дней развития как часть системы замедленной визуализации ооцитов/эмбрионов. В одной реализации устройство 102 формирования изображения включает в себя приставку для мобильного устройства, которая работает с камерой мобильного устройства для получения изображений репродуктивной клеточной структуры. Корпус для приставки можно распечатать на 3D-принтере с использованием полимолочной кислоты с размерами 82×34×48 мм. Акриловая линза может быть введена в корпус для обеспечения соответствующего увеличения изображения.
[0024] В другой реализации устройство 102 формирования изображения может быть реализовано как автономная система с оптическим корпусом, напечатанным на 3D-принтере из полимолочной кислоты, и габаритными размерами 62×92×175 мм. Корпус содержит электронную схему с белым светодиодом, трехвольтовую батарею и однополюсный двухпозиционный переключатель. Репродуктивная клеточная структура трансиллюминируется с помощью 10-кратного планахроматического объектива для увеличения изображения и датчика изображения на комплементарной структуре металл-оксид-полупроводник (КМОП) (complementary metal-oxide-semiconductor, CMOS) для сбора данных изображения. КМОП-датчик можно подключить к одноплатному компьютеру для обработки захваченных изображений. Устройство 102 формирования изображения может быть подключено к мобильному устройству через беспроводное соединение (например, Wi-Fi, Bluetooth или подобное соединение) для обработки и визуализации данных.
[0025] Одно или более изображений, полученных в устройстве 102 формирования изображения, предоставляются в нейронную сеть 104, которая вычисляет из изображения репродуктивной клеточной структуры по меньшей мере одно выходное значение, представляющее морфологию репродуктивной клеточной структуры. Например, выходное значение может представлять собой качество репродуктивной клеточной структуры на основе морфологии репродуктивной клеточной структуры или ключ, идентифицирующий эмбрион на основе его морфологических признаков. Следует понимать, что нейронная сеть может быть реализована как программные инструкции, хранящиеся на машиночитаемом носителе и исполняемые соответствующим процессором. В одном примере нейронная сеть 104 может быть реализована в облачной вычислительной системе.
[0026] В одной реализации нейронная сеть 104 может быть сверточной нейронной сетью, которая представляет собой искусственную нейронную сеть с прямой связью, включающую в себя сверточные слои, которые эффективно применяют свертку к значениям на предыдущем слое сети, чтобы выделить различные наборы признаков в изображении. В сверточном слое каждый нейрон связан только с соответствующим подмножеством нейронов в предыдущем слое, называемом рецептивным полем нейрона. В проиллюстрированном примере сверточная нейронная сеть реализована с использованием архитектуры Xception. В одной реализации по меньшей мере одно хроматическое значение (например, значение для цветового канала RGB, цветового канала YCrCb или яркости шкалы серого), связанное с каждым пикселем, предоставляется в качестве начального входа в сверточную нейронную сеть.
[0027] В другой реализации нейронная сеть 104 может быть реализована как рекуррентная нейронная сеть. В рекуррентной нейронной сети соединения между узлами в сети выбирают для формирования направленного графа в последовательности, что позволяет ему демонстрировать динамическое временное поведение. В другой реализации нейронную сеть 104 реализуют и обучают как дискриминативную сеть в генеративно-состязательной модели, в которой генеративная нейронная сеть и дискриминативная сеть обеспечивают взаимную обратную связь друг с другом, так чтобы генеративная нейронная сеть создавала все более сложные выборки для дискриминативной сети, чтобы предпринять попытку классификации.
[0028] В еще одном применении может использоваться графовая нейронная сеть. Графовые нейронные сети - это коннекционистские модели, которые фиксируют зависимость графов посредством передачи сообщений между узлами графов. В отличие от стандартных нейронных сетей графовые нейронные сети сохраняют состояние, которое может представлять информацию из своего окружения с произвольной глубиной. Графовые нейронные сети могут моделировать взаимосвязь между узлами графа и создавать числовое представление. В еще одной реализации может использоваться нейронная сеть на основе автоэнкодера. Автоэнкодеры - это неконтролируемые генеративные модели, которые обучают нейронную сеть представлять входные данные в полезной форме. В одной реализации автоэнкодер может быть обучен восстанавливать входной слой на выходном слое с альтернативными представлениями данных, генерируемыми в скрытых слоях сети.
[0029] Изобретатели обнаружили, что прогностическая способность нейронной сети 104 может быть улучшена за счет использования нейронной сети 104 в сочетании с другой экспертной системой (не показана). На практике любая из множества экспертных систем может использоваться в сочетании со сверточной или рекуррентной нейронной сетью, включая машины опорных векторов, случайный лес, самоорганизованные карты, системы нечеткой логики, процессы слияния данных, ансамблевые методы, системы, основанные на правилах, генетические алгоритмы и искусственные нейронные сети. Следует иметь в виду, что дополнительная экспертная система может быть обучена на признаках из нескольких стадий эмбрионального развития, а также на признаках, которые являются внешними по отношению к изображениям, например, биометрические параметры донора яйцеклетки, донора спермы или реципиента эмбриона.
[0030] Выходное значение из нейронной сети 104 может быть предоставлено компоненту 106 обеспечения качества, который сравнивает выходное значение с заранее заданным стандартом для получения показателя обеспечения качества. Показатель обеспечения качества может представлять, например, работу одного из медицинского персонала, учреждения и питательной среды при извлечении и оплодотворении ооцита и инкубации эмбриона до момента имплантации, при этом заранее заданный стандарт представляет качество репродуктивной клеточной структуры. При таком использовании показатель обеспечения качества может использоваться в качестве замены измеряемого результата, такого как успешное оплодотворение или беременность, для подтверждения которого может потребоваться значительное дополнительное время. Следует понимать, что в этом случае описательная статистика может быть сгенерирована из набора оцененных репродуктивных клеточных структур, чтобы предоставить показатель обеспечения качества для данного медицинского персонала, учреждения или питательной среды.
[0031] В одной реализации нейронная сеть 104 обучается на множестве изображений или наборов изображений ооцитов, полученных до оплодотворения, которые классифицируются либо по первому классу, представляющему собой нормальное оплодотворение эмбриона, либо по второму классу, представляющему собой аномальное оплодотворение эмбриона. Для целей данной заявки нормально оплодотворенный эмбрион представляет собой эмбрион, содержащий два пронуклеуса, а аномально оплодотворенный эмбрион представляет собой эмбрион с любым другим количеством пронуклеусов. Выходное значение нейронной сети может быть непрерывным значением, представляющим качество эмбриона, которое можно сравнить с пороговым значением, чтобы определить оплодотворение как «успешное» или «неудачное». Соответственно, в этой реализации работа эмбриолога или учреждения, выполняющего процедуру извлечения ооцитов, может быть оценена как процент извлеченных ооцитов, которые, как ожидается, приведут к успешному оплодотворению. В качестве альтернативы выходные данные нейронной сети можно использовать для получения ожидаемого процента успешных оплодотворений для эмбриолога или учреждения при выполнении процедуры оплодотворения, такой как интрацитоплазматическая инъекция сперматозоида (ИКСИ), и показатель обеспечения качества может быть определен путем сравнения этого ожидаемого значения с фактическим показателем успеха для эмбриолога или учреждения.
[0032] В другой реализации нейронная сеть 104 обучается на множестве изображений или наборов изображений эмбрионов, полученных на выбранной стадии или стадиях развития эмбриона, которые классифицируются как представляющие успешную беременность или как не представляющие успешную беременность. В одном примере каждый эмбрион представлен изображением, сделанным на третий день развития эмбриона, например, через семьдесят часов после оплодотворения. Выходной сигнал нейронной сети может быть непрерывным значением, представляющим качество эмбриона, которое можно сравнить с пороговым значением, чтобы определить оплодотворение как «успешное» или «неудачное». Соответственно, в этой реализации работа эмбриолога или учреждения, выполняющего процедуру оплодотворения, или питательной среды, используемой для инкубации эмбриона, может быть оценена как процент оплодотворенных ооцитов, которые, как ожидается, приведут к успешным беременностям. В качестве альтернативы выходной сигнал нейронной сети можно использовать для получения ожидаемого процента успешных имплантаций для эмбриолога, учреждения или среды при выполнении имплантации эмбриона, а показатель качества можно определить путем сравнения этого ожидаемого значения с фактическим показателем успеха для эмбриолога, среды или учреждения.
[0033] В еще одной реализации выходные данные нейронной сети 104 представляют идентичность репродуктивной клеточной структуры в качестве ключа идентификатора на основе признаков, представляющих морфологию репродуктивной клеточной структуры. В этой реализации изображение репродуктивной клеточной структуры, полученное в первый момент времени, может быть предоставлено в нейронную сеть для создания первого ключа идентификатора, после чего чашка, содержащая репродуктивную клеточную структуру, может быть помечена предоставленным ключом идентификатора. Когда желательно подтвердить идентичность эмбриона в чашке, например, непосредственно перед переносом в реципиентную матку, можно получить другое изображение и передать его в нейронную сеть для генерирования второго ключа идентификатора. Два ключа можно сравнить, чтобы определить, правильно ли помечен эмбрион, и эта информация может быть предоставлена пользователю в качестве показателя обеспечения качества. В одном примере первый момент времени может быть через сто тринадцать часов после инсеминации, а второй момент времени может быть через сто пятнадцать часов после инсеминации.
[0034] Показатель обеспечения качества и любые связанные значения, которые могут представлять интерес для обеспечения качества учреждения, медицинского работника или среды, участвующих в процессе вспомогательной репродукции, могут быть предоставлены пользователю через соответствующий пользовательский интерфейс 108. Например, пользовательский интерфейс 108 может включать в себя, по меньшей мере, устройство вывода, такое как дисплей, и соответствующее программное обеспечение, хранящееся на носителе и исполняемое соответствующим процессором, для получения выходных данных нейронной сети 104 и их представления на выходном устройстве. В одной реализации пользовательский интерфейс 108 может включать в себя мобильное устройство, которое осуществляет беспроводную связь с нейронной сетью.
[0035] Фиг. 2 показывает пример реализации системы 200 для назначения показателя обеспечения качества эмбриону. Важным аспектом вспомогательных репродуктивных технологий является состояние лабораторных эмбриональных культур. Клинический результат цикла экстракорпорального оплодотворения (ЭКО), возможно, является лучшим показателем эффективности системы, а частота продолжающихся беременностей является наиболее надежным маркером качества эмбриона. Несколько маркеров ранней стадии развития широко используются для мониторинга условий культивирования; однако их связь с клиническими исходами неясна. Точно так же анализ данных является важной частью программы оценки качества (QA) ЭКО. Регулярный обзор установленных ключевых показателей эффективности (KPI) важен для обеспечения надлежащего функционирования лаборатории и, что, возможно, более важно, для выявления потенциальных проблем для своевременного исправления. Оценка оплодотворения является основным результатом, используемым для измерения квалификации персонала эмбриологии в отношении интрацитоплазматической инъекции сперматозоида (ИКСИ). Однако отслеживание развития эмбрионов, полученных с помощью ИКСИ, может дать более полную картину того, насколько хорошо выполняется эта процедура. Текущие оценки качества требуют ручного осмотра и регистрации статуса оплодотворения и показателей развития эмбриона. Эти процессы трудоемки и весьма субъективны по своей природе. Кроме того, некоторые показатели развития, такие как результаты исхода беременности, доступны только после значительной задержки.
[0036] Проиллюстрированную систему 200 можно использовать в качестве альтернативного способа мониторинга ключевых показателей эффективности для учреждений, персонала и питательной среды в лаборатории ЭКО без необходимости ручной помощи. Эта система также может быть использована для выявления различий в имплантационном потенциале развивающихся эмбрионов. Способность точно прогнозировать имплантацию эмбриона позволяет специалистам обнаруживать и исправлять отклонения в условиях культивирования и технических навыках на несколько недель быстрее, чем те, которые полагаются на результаты исходов беременности. В проиллюстрированном примере показатель обеспечения качества представляет собой категориальный параметр, представляющий ожидаемый успех имплантации эмбриона с учетом его морфологических особенностей. Показатели обеспечения качества для набора эмбрионов можно использовать для оценки влияния данного медицинского работника, питательной среды или учреждения на качество эмбриона и позволяют устранить недостатки любого из этих факторов. Например, если питательная среда обеспечивает процент высококачественных эмбрионов ниже порогового значения, питательную среду можно заменить. Если эмбриолог или учреждение, выполняющие процедуры оплодотворения, такие как ИКСИ, предоставляет процент высококачественных эмбрионов ниже порогового значения, эмбриолог или персонал учреждения могут пройти переподготовку или подвергнуться дополнительному наблюдению.
[0037] В этом примере система 200 включает в себя устройство 202 формирования изображения, которое получает изображение каждого эмбриона на третий день развития. Однако следует понимать, что конкретное время захвата изображений эмбрионов может варьироваться в зависимости от желаемого применения, а в некоторых реализациях набор изображений захватывается на разных стадиях развития, чтобы обеспечить набор изображений для каждого эмбриона. Например, в одной реализации изображения, снятые в первый день развития, могут использоваться для оценки эмбрионов, в частности, при доступе к работе медицинского персонала или учреждения в процессе оплодотворения. Устройство 202 формирования изображения может быть реализовано аналогично устройству 102 формирования изображения, описанному на фиг. 1. Изображения, полученные с помощью устройства 202 формирования изображения, могут быть переданы в систему 210 анализа эмбрионов.
[0038] Система 210 анализа эмбрионов включает в себя процессор 212, устройство 214 вывода, такое как дисплей, и машиночитаемый носитель 220, хранящий исполняемые инструкции для обеспечения показателя обеспечения качества, отражающего работу медицинского работника, учреждения или питательной среды. Исполняемые инструкции содержат интерфейс 222 устройства формирования изображения, который получает изображения от устройства 202 формирования изображения и предоставляет их в сверточную нейронную сеть 224 в соответствующей форме для анализа.
[0039] В одной реализации обучающий набор изображений эмбрионов может быть сгенерирован из изображений или наборов изображений, представляющих каждый эмбрион и известный результат имплантации эмбриона, и использован для обучения сверточной нейронной сети 224, так что выходные данные для каждого изображения являются значением ключевого показателя эффективности, отражающим вероятность того, что имплантация эмбриона приведет к успешному результату. В проиллюстрированном варианте реализации успешным результатом является успешная беременность, но в некоторых реализациях успешным результатом может быть развитие эмбриона в бластоцисту или достижение эмбрионом определенной степени развития в выбранный момент развития, например, на пятый день развития. Следует понимать, что признаки для каждого эмбриона могут включать в себя значения, внешние по отношению к изображению, такие как биометрические параметры пациента, а также изображение, предоставленное в сверточную нейронную сеть 224. В одном примере значение, выводимое сверточной нейронной сетью 224, может быть непрерывным значением, представляющим вероятность успешной беременности, или категориальным значением, представляющим один или несколько диапазонов вероятности. Например, ключевой показатель эффективности может быть представлен в виде категориального параметра, который может принимать первое значение, указывающее, что успешная беременность вероятна после имплантации, и второе значение, указывающее на то, что успешная беременность маловероятна.
[0040] Выходные данные сверточной нейронной сети 224 предоставляются компоненту 226 анализа качества, который оценивает работу медицинского работника, учреждения или питательной среды. В проиллюстрированном примере компонент 226 анализа качества поддерживает скользящее среднее значение в определенном окне, представляющее либо среднее значение ключевых показателей эффективности для эмбрионов в определенном окне, либо процент эмбрионов, которые были указаны сверточной нейронной сетью как наиболее вероятные, которые могут привести к благополучной беременности. Например, скользящее среднее может поддерживаться в отношении определенного периода времени или определенного количества созданных эмбрионов. Компонент 226 анализа качества может отслеживать это скользящее среднее значение и определять, соответствует ли оно заранее заданному пороговому значению, чтобы обеспечить показатель обеспечения качества. Например, заранее заданное пороговое значение для успешной беременности может составлять пятьдесят процентов.
[0041] В одном примере показатель обеспечения качества представляет собой категориальное значение, которое принимает первое значение, когда скользящее среднее значение превышает пороговое значение, и второе значение, когда скользящее среднее значение падает ниже порогового значения. В другом примере показатель обеспечения качества сохраняет первое значение до тех пор, пока скользящее среднее не упадет ниже порогового значения в течение заранее заданного периода времени или числа имплантаций. Показатель обеспечения качества и любые другие представляющие интерес значения, такие как скользящее среднее, могут быть предоставлены пользователю на устройстве 214 вывода через соответствующий пользовательский интерфейс 228. В одном примере предупреждение может быть предоставлено пользователю через подключение к локальной или глобальной сети в виде сообщения электронной почты, SMS-сообщения или аналогичного сообщения всякий раз, когда значение обеспечения качества изменяется с первого значения на второе значение.
[0042] Фиг. 3 показывает пример реализации системы 300 для назначения показателя качества ооциту. Отсутствие оплодотворения яйцеклеток может быть связано как с мужскими, так и с женскими факторами. Однако для некоторых женщин, особенно с преждевременной недостаточностью яичников, сниженным резервом яичников или генетически передающимися заболеваниями, донорская яйцеклетка может быть единственным доступным вариантом рождения здорового ребенка. Добавление донорских яйцеклеток к циклу значительно увеличивает личные расходы пациента. Получение яйцеклеток высшего качества, которые имеют высокие шансы на успех, может помочь уменьшить неопределенность у пациентов, потенциально улучшая показатели беременности. В настоящее время не существует объективной системы, позволяющей оценить качество ооцитов и предсказать потенциал их развития. Проиллюстрированную систему 300 можно использовать для точного прогнозирования потенциала оплодотворения ооцитов и, таким образом, для выбора ооцитов самого высокого качества для оплодотворения и имплантации. Ее также можно использовать для оценки эффективности работы учреждения или эмбриолога в процессе оплодотворения путем сравнения работы учреждения или эмбриолога с ожидаемой степенью успеха с учетом прогнозируемого потенциала оплодотворения используемых ооцитов. В проиллюстрированном примере система 300 может выдавать непрерывный параметр, представляющий ожидаемый успех оплодотворения ооцита с учетом его морфологических особенностей.
[0043] Система 300 включает в себя устройство 302 формирования изображения, которое получает изображение каждого ооцита до оплодотворения. Устройство 302 формирования изображения может быть реализовано аналогично устройству 102 формирования изображения, описанному на фиг. 1. Изображения, захваченные устройством 302 формирования изображения, могут быть переданы в систему 310 анализа ооцитов, которая включает в себя процессор 312, устройство 314 вывода, такое как дисплей, и машиночитаемый носитель 320, хранящий исполняемые инструкции для предоставления значения, представляющего потенциал оплодотворения яйцеклетки. Исполняемые инструкции содержат интерфейс 322 устройства формирования изображения, который получает изображения от устройства 302 формирования изображения и предоставляет их в сверточную нейронную сеть 324 в соответствующей форме для анализа.
[0044] В одной реализации обучающий набор изображений ооцитов может быть сгенерирован из изображения или изображений, представляющих каждый ооцит и известный результат оплодотворения для ооцита, и использован для обучения сверточной нейронной сети 324, так что выходной сигнал для каждого изображения представляет собой значение, представляющее вероятность того, что оплодотворение яйцеклетки приведет к успешному результату. В проиллюстрированном варианте осуществления результат оплодотворения для каждого обучающего изображения определяется через восемнадцать часов после инсеминации. Следует понимать, что признаки для каждого эмбриона могут включать в себя значения, внешние по отношению к изображению, такие как биометрические параметры донора ооцитов, а также признаки, извлеченные из сверточной нейронной сети 324. Следует понимать, что значение, выводимое сверточной нейронной сетью 324, может быть непрерывным значением, представляющим вероятность успешного оплодотворения, или категориальным значением, представляющим один или несколько диапазонов вероятности. В одном примере значение, выводимое сверточной нейронной сетью 324, представляет собой категориальный параметр, который может принимать первое значение, указывающее, что успешное оплодотворение вероятно, и второе значение, указывающее, что успешное оплодотворение маловероятно. Выход сверточной нейронной сети 324 предоставляется пользователю на устройстве 314 вывода через соответствующий пользовательский интерфейс 326.
[0045] В другой реализации выходной сигнал сверточной нейронной сети 324 может представлять местоположение полярного тельца на ооците. Интрацитоплазматическая инъекция сперматозоида - это процедура, которая включает выравнивание метафазных (МП) ооцитов, отбор и иммобилизацию сперматозоидов, а также введение сперматозоидов в точное место, не нарушающее митотическое веретено. Веретено расположено рядом с экструдированным полярным тельцем и не может быть визуализировано с помощью светлопольной микроскопии. Поэтому стандартной практикой является выравнивание ооцитов по расположению полярного тельца и введение сперматозоидов под девяносто градусов от этой видимой структуры. В этой реализации сверточная нейронная сеть обучается на наборе изображений ооцитов, имеющих известное расположение полярного тельца, помеченных классами, представляющими дискретные участки изображенного ооцита. В одном примере используются двенадцать классов, каждый из которых представляет тридцатиградусный участок изображенного ооцита. Выходом сверточной нейронной сети для новых изображений является класс, представляющий участок, в котором расположено полярное тельце.
[0046] Фиг. 4 иллюстрирует пример реализации системы 400 для проверки идентичности эмбриона. Использование электронных систем наблюдения является рекомендуемой практикой в лабораториях ЭКО для улучшения прослеживаемости и сокращения случаев, когда пациенту имплантируют некорректный эмбрион. Такие ошибки трудно обнаружить, и обычно они становятся очевидными в основном тогда, когда у супружеских пар рождаются дети с генетическим строением, заметно отличающимся от их собственного. Поэтому трудно оценить фактическое количество ошибок, а неправильная идентификация биологического образца такого рода потенциально может иметь катастрофические последствия для клиники, персонала клиники и особенно для пациентов. Лаборатории ЭКО обеспокоены юридической ответственностью, и системы наблюдения могут сыграть жизненно важную роль в минимизации ошибок идентификации.
[0047] Иллюстрируемая система 400 использует многоуровневую систему отслеживания, использующую аппаратную метку радиочастотной идентификации (radio frequency identification, RFID) в сочетании с программной глубокой сверточной нейронной сетью, которая распознает уникальные морфологические особенности в ооцитах и эмбрионах пациента. С этой целью система 400 включает в себя устройство 402 формирования изображения, которое получает изображение репродуктивной клеточной структуры на определенной стадии развития. Следует иметь в виду, что конкретное время захвата изображений репродуктивных клеточных структур может варьироваться в зависимости от желаемого применения, и в некоторых реализациях набор изображений захватывается на разных стадиях развития, чтобы обеспечить набор изображений для каждой репродуктивной клеточной структуры. Устройство 402 формирования изображения может быть реализовано аналогично устройству 102 формирования изображения, описанному на фиг. 1. Изображения, захваченные устройством 402 формирования изображения, могут быть переданы в цифровую систему 410 наблюдения.
[0048] Цифровая система 410 наблюдения включает в себя процессор 412, устройство 414 вывода, такое как дисплей, и машиночитаемый носитель 420, хранящий исполняемые инструкции для проверки идентичности эмбриона или ооцита. Исполняемые инструкции содержат интерфейс 422 устройства формирования изображения, который получает изображения от устройства 402 формирования изображения и передает их в нейронную сеть 424 в соответствующей форме для анализа. Нейронная сеть может быть реализована, например, как сверточная нейронная сеть, графовая нейронная сеть, нейронная сеть на основе автоэнкодера или генеративно-состязательная нейронная сеть. В одной реализации нейронная сеть 424 может быть предварительно обучена на наборе изображений для предоставления морфологических признаков из предоставленного изображения, так что выходной сигнал, связанный с данным изображением эмбриона или ооцита, представляет собой ключ идентификатора, представляющий морфологию эмбриона или ооцита. Морфология эмбриона или ооцита может быть стабильной в течение различных периодов развития, так что можно ожидать, что ключ идентификатора, созданный из изображения, которое получают в первый момент времени, будет соответствовать ключу идентификатора, созданному из изображения, которое получают во второй момент времени. В одном примере ключ идентификатора может быть создан для данной репродуктивной клеточной структуры в первый момент времени и прикреплен к чашке, содержащей репродуктивную клеточную структуру, например, путем кодирования ключа идентификатора в метке RFID, прикрепленной к чашке.
[0049] Компонент 426 проверки идентичности сравнивает два ключа идентификатора, чтобы определить, представляют ли они одну и ту же репродуктивную клеточную структуру. В одном примере второй ключ идентификатора может быть сгенерирован в ключевые моменты процесса вспомогательной репродукции, например, непосредственно перед оплодотворением ооцита или непосредственно перед переносом эмбриона пациенту. Компонент 426 проверки идентичности может создать показатель обеспечения качества, представляющий вероятность того, что второй ключ идентификатора представляет ту же репродуктивную клеточную структуру, что и первый ключ идентификатора, и, таким образом, пациента, связанного с первым ключом идентификатора. В одном примере показатель обеспечения качества является категориальным, при этом первое значение представляет собой совпадение между первым ключом идентификатора и вторым ключом идентификатора, а второе значение представляет собой несоответствие первого ключа идентификатора второму ключу идентификатора. В качестве альтернативы показатель обеспечения качества может быть непрерывным значением, представляющим вероятность того, что два ключа представляют один и тот же эмбрион. Показатель обеспечения качества может быть предоставлен пользователю на устройстве 414 вывода через соответствующий пользовательский интерфейс 428. В одном примере предупреждение может быть предоставлено пользователю через подключение к локальной или глобальной сети в виде электронной почты, SMS-сообщения или аналогичное сообщение всякий раз, когда значение обеспечения качества принимает значение, представляющее ошибочную идентификацию репродуктивной клеточной структуры как принадлежащей не тому пациенту.
[0050] Ввиду вышеупомянутых структурных и функциональных признаков, описанных выше, способы в соответствии с различными аспектами настоящего изобретения будут лучше оценены со ссылкой на фиг. 5-8. Хотя для простоты объяснения способы, показанные на фиг. 5-8, показаны и описаны как выполняемые последовательно, следует понимать и принимать во внимание, что настоящее изобретение не ограничено проиллюстрированным порядком, поскольку некоторые аспекты могут, в соответствии с настоящим изобретением, выполняться в другом порядке и/или одновременно с другими аспектами из показанных и описанных здесь. Кроме того, не все проиллюстрированные признаки могут потребоваться для реализации способа в соответствии с аспектом настоящего изобретения.
[0051] Фиг. 5 иллюстрирует способ 500 назначения показателя обеспечения качества репродуктивной клеточной структуре. На этапе 502 получают изображение репродуктивной клеточной структуры. На практике каждая репродуктивная клеточная структура может быть представлена набором из одного или более изображений, полученных в разное время в процессе развития репродуктивной клеточной структуры, в том числе, например, до оплодотворения, в течение первого дня развития эмбриона, в течение третьего дня развития эмбриона, в течение пятого дня развития эмбриона и непосредственно перед имплантацией эмбриона. Как правило, изображения получают с помощью микроскопии в видимом свете, хотя могут использоваться и другие формы визуализации, в зависимости от применения.
[0052] На этапе 504 изображение репродуктивной клеточной структуры передается в нейронную сеть для генерирования значения, представляющего морфологию репродуктивной клеточной структуры. В одной реализации нейронная сеть является сверточной нейронной сетью. В других реализациях нейронная сеть может быть генеративно-состязательной нейронной сетью, графовой нейронной сетью или нейронной сетью на основе автоэнкодера. В некоторых примерах этапы 502 и 504 могут быть повторены для получения соответствующих значений, представляющих морфологию набора репродуктивных клеточных структур. Кроме того, в некоторых примерах набор изображений может быть получен для каждой репродуктивной клеточной структуры и передан в нейронную сеть, при этом каждое из набора изображений представляет репродуктивную клеточную структуру на разных стадиях развития.
[0053] На этапе 506 значение, представляющее морфологию набора репродуктивных клеточных структур, сравнивается с заранее заданным стандартом, чтобы обеспечить показатель обеспечения качества, представляющий одно из медицинского персонала, учреждения, питательной среды, и идентичность репродуктивной клетчатой структуры. В одном примере заранее заданный стандарт определяется путем получения второго изображения репродуктивной клеточной структуры в момент времени, прежде чем изображение будет получено на этапе 506, и передачи второго изображения в нейронную сеть для предоставления заранее заданного стандарта в качестве ключа идентификатора для репродуктивной клеточной структуры. Затем этот ключ идентификатора можно закодировать на метке радиочастотной идентификации (RFID) и прикрепить к чашке, в которой хранится репродуктивная клеточная структура. В одной реализации показатель обеспечения качества представляет собой категориальное значение, имеющее первое значение, указывающее, что первое изображение и второе изображение представляют одну и ту же репродуктивную клеточную структуру, когда уникальный ключ соответствует заранее заданному стандарту, и второе значение, указывающее, что первое изображение и второе изображение представляют разные репродуктивные клеточные структуры, когда уникальный ключ не соответствует заранее заданному стандарту.
[0054] В другом примере репрезентативное значение может быть сгенерировано из набора значений, представляющих морфологию набора репродуктивных клеточных структур, и это репрезентативное значение сравнивается с заранее заданным стандартом. В одном примере каждая из набора репродуктивных клеточных структур может быть эмбрионом, который является результатом процесса оплодотворения, выполненного данным эмбриологом или выполненного в данном учреждении, и каждое значение, представляющее морфологию данной репродуктивной клеточной структуры, представляет вероятность того, что имплантация эмбриона приведет к успешной беременности. Репрезентативное значение может представлять собой процент от количества эмбрионов, которые, как было указано, могут привести к успешной беременности, а показатель обеспечения качества может быть категориальным значением, которое принимает первое значение, когда процент превышает пороговое значение, и принимает второе значение, когда процент ниже порогового значения. В одном примере пользователь может быть изменен, когда показатель обеспечения качества переходит от первого значения ко второму значению.
[0055] Аналогично, каждая из набора репродуктивных клеточных структур может быть эмбрионом, культивируемым в данной питательной среде, и каждое значение, представляющее морфологию данной репродуктивной клеточной структуры, представляет вероятность того, что имплантация эмбриона приведет к успешной беременности. Репрезентативное значение может представлять собой процент от количества эмбрионов, которые, как было указано, могут привести к успешной беременности, а показатель обеспечения качества может быть категориальным значением, которое принимает первое значение, когда процент превышает пороговое значение, и принимает второе значение, когда процент ниже порогового значения. В одном примере пользователь может быть изменен, когда показатель обеспечения качества переходит от первого значения ко второму значению. Показатель обеспечения качества может отображаться пользователю на этапе 508.
[0056] Фиг. 6 иллюстрирует способ 600 назначения показателя обеспечения качества эмбриону. На этапе 602 получают набор изображений соответствующего набора эмбрионов, связанных либо с медицинским работником, либо с учреждением, либо с питательной средой. Например, все эмбрионы могут быть оплодотворены данным эмбриологом или в данном учреждении, или могут быть культивированы в одной и той же питательной среде. Каждый эмбрион может быть представлен набором из одного или более изображений, сделанных в разное время в процессе развития эмбриона, включая, например, первый день развития эмбриона и третий день развития эмбриона. Как правило, изображения получают с помощью микроскопии в видимом свете, хотя могут использоваться и другие формы визуализации, в зависимости от применения. На этапе 604 каждое из набора изображений предоставляется в сверточную нейронную сеть для генерирования соответствующего набора значений, представляющих вероятность успешного исхода для эмбриона, например, развитие до бластоцисты, достижение определенной степени на пятый день развития или успешная беременность после имплантации. В некоторых примерах набор изображений может быть получен для каждой репродуктивной клеточной структуры и передан в нейронную сеть, при этом каждое из набора изображений представляет репродуктивную клеточную структуру на разных стадиях развития.
[0057] На этапе 606 значение, представляющее эффективность одного из медицинского персонала, учреждения и питательной среды, определяется для набора эмбрионов из набора значений, представляющих вероятность успешного исхода для эмбриона. В одном примере каждое из набора значений является категориальным параметром, представляющим диапазоны вероятности успешного исхода, и в качестве репрезентативного значения генерируется процент значений, представляющих данную категорию. В другом примере каждое из набора значений является непрерывным параметром, а репрезентативное значение является средним (например, средним или медианным) по набору значений. На этапе 608 сравнивается значение с пороговым значением для формирования показателя обеспечения качества. Например, показатель обеспечения качества может принимать первое значение, когда репрезентативное значение превышает пороговое значение, и принимать второе значение, когда репрезентативное значение не превышает порогового значения. Показатель обеспечения качества отображается пользователю на устройстве вывода на этапе 610.
[0058] Фиг. 7 иллюстрирует способ 700 присвоения значения, представляющего качество ооцита. На этапе 702 изображение ооцита получают от соответствующего устройства формирования изображения. Как правило, изображение получают с помощью микроскопии в видимом свете, хотя могут использоваться и другие формы визуализации, в зависимости от применения. На этапе 704 изображение предоставляется в сверточную нейронную сеть, которая определяет из изображения ооцита значение, представляющее вероятность успешного оплодотворения ооцита. В одном примере сверточная нейронная сеть была обучена на изображениях ооцитов с известным исходом и помечена статусом оплодотворения эмбриона в результате оплодотворения ооцита через восемнадцать часов после инсеминации. На этапе 706 значение, представляющее вероятность успешного оплодотворения ооцита, отображается пользователю на устройстве вывода.
[0059] Фиг. 8 иллюстрирует способ 800 проверки идентичности репродуктивной клеточной структуры. На этапе 802 получают первое изображение репродуктивной клеточной структуры в первый момент времени. На практике каждая репродуктивная клеточная структура может быть представлена набором из одного или более изображений, полученных в разное время в процессе развития репродуктивной клеточной структуры, в том числе, например, до оплодотворения, в течение первого дня развития эмбриона, в течение третьего дня развития эмбриона, в течение пятого дня развития эмбриона и непосредственно перед имплантацией эмбриона. На этапе 804 первое изображение передается в нейронную сеть для предоставления ключа К идентификатора, представляющего морфологию репродуктивной клеточной структуры. В одном примере нейронная сеть является сверточной нейронной сетью. В другом примере нейронная сеть представляет собой либо генеративно-состязательную нейронную сеть, либо графовую нейронную сеть, либо нейронную сеть на основе автоэнкодера.
[0060] На этапе 806 во второй момент времени получают второе изображение репродуктивной клеточной структуры. На этапе 808 второе изображение передается в нейронную сеть для предоставления значения V, представляющего морфологию репродуктивной клеточной структуры. На этапе 810 определяется, соответствует ли значение ключу идентификатора. Если да (Y), то на этапе 812 определяют, что репродуктивная клеточная структура принадлежит пациенту, связанному с ключом идентификатора. Если нет (N), на этапе 814 определяется, что репродуктивная клеточная структура не принадлежит пациенту, связанному с ключом идентификатора, и что, вероятно, была допущена ошибка.
[0061] Фиг. 9 представляет собой структурную схему, иллюстрирующую пример системы 900 аппаратных компонентов, способных реализовать примеры систем и способов, раскрытых на фиг. 1-8, например, система для назначения показателя обеспечения качества репродуктивной клеточной структуре, показанной на фиг. 1. Система 900 может включать в себя различные системы и подсистемы. Системой 900 может быть любой персональный компьютер, портативный компьютер, рабочая станция, компьютерная система, устройство, специализированная интегральная схема (ASIC), сервер, центр блейд-серверов или серверная ферма.
[0062] Система 900 может включать в себя системную шину 902, блок 904 обработки, системную память 906, запоминающие устройства 908 и 910, интерфейс 912 связи (например, сетевой интерфейс), линию 914 связи, дисплей 916 (например, видеоэкран) и устройство 918 ввода (например, клавиатура и/или мышь). Системная шина 902 может быть связана с блоком 904 обработки и системной памятью 906. Дополнительные запоминающие устройства 908 и 910, такие как жесткий диск, сервер, автономная база данных или другая энергонезависимая память, также могут быть на связи с системной шиной 902. Системная шина 902 соединяет между собой блок 904 обработки, запоминающие устройства 906-910, интерфейс 912 связи, дисплей 916 и устройство 918 ввода. В некоторых примерах системная шина 902 также соединяет дополнительный порт (не показан), такой как порт универсальной последовательной шины (USB).
[0063] Система 900 может быть реализована в вычислительном облаке. В такой ситуации элементы системы 900, такие как блок 904 обработки, интерфейс 912 связи и запоминающие устройства 908 и 910, могут быть репрезентативными для одного варианта аппаратного обеспечения или набора вариантов аппаратного обеспечения с приложениями, выполняющимися на наборе вариантов (т.е. распределенных) оборудования (например, компьютерах, маршрутизаторах, памяти, процессорах или их комбинации). В качестве альтернативы система 900 может быть реализована на одном выделенном сервере.
[0064] Блок 904 обработки может быть вычислительным устройством и может включать в себя специализированную интегральную схему (application-specific integrated circuit, ASIC). Блок 904 обработки выполняет набор инструкций для реализации операций примеров, раскрытых здесь. Блок обработки может включать в себя ядро обработки.
[0065] Дополнительные запоминающие устройства 906, 908 и 910 могут хранить данные, программы, инструкции, запросы к базе данных в текстовой или скомпилированной форме и любую другую информацию, которая может потребоваться для работы компьютера. Запоминающие устройства 906, 908 и 910 могут быть реализованы в виде машиночитаемых носителей (встроенных или съемных), таких как карта памяти, дисковод, компакт-диск (CD) или сервер, доступный по сети. В некоторых примерах запоминающие устройства 906, 908 и 910 могут содержать текст, изображения, видео и/или аудио, части которых могут быть доступны в форматах, понятных человеку.
[0066] Дополнительно или альтернативно, система 900 может осуществлять доступ к внешнему источнику данных или источнику запросов через интерфейс 912 связи, который может связываться с системной шиной 902 и линией 914 связи.
[0067] При работе система 900 может использоваться для реализации одной или более частей системы для назначения показателя обеспечения качества репродуктивной клеточной структуре в соответствии с настоящим изобретением. Выполняемая компьютером логика для реализации системы обеспечения качества находится в одном или нескольких системных запоминающих устройствах 906 и запоминающих устройствах 908, 910 в соответствии с некоторыми примерами. Блок 904 обработки выполняет одну или более машиноисполняемых инструкций, исходящих из системной памяти 906 и запоминающих устройств 908 и 910. Следует понимать, что машиночитаемый носитель может включать в себя несколько машиночитаемых носителей, каждый из которых оперативно подключен к блоку обработки.
[0068] Конкретные подробности даны в приведенном выше описании для обеспечения полного понимания вариантов осуществления. Однако следует понимать, что варианты осуществления могут быть реализованы без этих конкретных подробностей. Например, схемы могут быть показаны на блок-схемах, чтобы не загромождать варианты осуществления ненужными подробностями. В других случаях известные схемы, процессы, алгоритмы, структуры и способы могут быть показаны без ненужных подробностей, чтобы не затенять варианты осуществления.
[0069] Реализация методик, блоков, этапов и средств, описанных выше, может осуществляться различными способами. Например, эти методики, блоки, этапы и средства могут быть реализованы в аппаратных средствах, программном обеспечении или их комбинации. Для аппаратной реализации блоки обработки могут быть реализованы в одной или нескольких специализированных интегральных схемах (ASIC), процессорах цифровой обработки сигналов (digital signal processors, DSP), устройствах цифровой обработки сигналов (digital signal processing devices, DSPD), программируемых логических устройствах (programmable logic devices, PLD), программируемых пользователем вентильных матрицах (field programmable gate arrays, FPGA), процессорах, контроллерах, микроконтроллерах, микропроцессорах, других электронных блоках, предназначенных для выполнения функций, описанных выше, и/или их комбинации.
[0070] Также следует отметить, что варианты осуществления могут быть описаны как процесс, который изображается в виде блок-схемы, диаграммы потока, диаграммы потока данных, структурной схемы или блочной схемы. Хотя блок-схема может описывать операции как последовательный процесс, многие операции могут выполняться параллельно или одновременно. Кроме того, порядок операций может быть изменен. Процесс завершается, когда его операции завершены, но может иметь дополнительные этапы, не показанные на чертеже. Процессу может соответствовать способ, функция, процедура, подчиненная программа, подпрограмма и т.д. Когда процесс соответствует функции, его завершение соответствует возврату функции в вызывающую функцию или основную функцию.
[0071] Кроме того, варианты осуществления могут быть реализованы аппаратным обеспечением, программным обеспечением, языками сценариев, программно-аппаратным обеспечением, промежуточным программным обеспечением, микрокодом, языками описания аппаратных средств и/или любой их комбинацией. При реализации в программном обеспечении, встроенном программном обеспечении, промежуточном программном обеспечении, языке сценариев и/или микрокоде программный код или сегменты кода для выполнения необходимых задач могут быть сохранены на машиночитаемом носителе, таком как носитель данных. Сегмент кода или машииноисполняемая инструкция может представлять собой процедуру, функцию, подчиненную программу, программу, процедуру, подпрограмму, модуль, программный пакет, сценарий, класс или любую комбинацию инструкций, структур данных, и/или операторы программы. Сегмент кода может быть связан с другим сегментом кода или аппаратной схемой путем передачи и/или приема информации, данных, аргументов, параметров и/или содержимого памяти. Информация, аргументы, параметры, данные и т.д. могут пропускаться, пересылаться или передаваться с помощью любых подходящих средств, включая совместное использование памяти, передачу сообщений, передачу билетов, передачу по сети и т.д.
[0072] Для программно-аппаратной и/или программной реализации способы могут быть реализованы с помощью модулей (например, процедур, функций и т.д.), которые выполняют описанные здесь функции. Любой машиночитаемый носитель, реально содержащий инструкции, может быть использован при реализации способов, описанных в данном документе. Например, программные коды могут быть сохранены в памяти. Память может быть реализована внутри процессора или вне процессора. Используемый здесь термин «память» относится к любому типу долговременного, краткосрочного, энергозависимого, энергонезависимого или другого носителя данных и не должен ограничиваться каким-либо конкретным типом памяти или количеством запоминающих устройств, или типом носителя, на котором хранится память.
[0073] Кроме того, как раскрыто в настоящем документе, термин «носитель данных» может представлять собой одно или более запоминающих устройств для хранения данных, включая постоянное запоминающее устройство (ПЗУ) (ROM), оперативное запоминающее устройство (ОЗУ) (RAM), магнитное ОЗУ (RAM), базовую память, носители информации на магнитных дисках, оптические носители данных, устройства флэш-памяти и/или другие машиночитаемые носители для хранения информации. Термины «компьютерно-читаемый носитель» («computer readable medium») и «машиночитаемый носитель» («machine readable medium») включают в себя, помимо прочего, портативные или стационарные устройства хранения данных, оптические устройства хранения данных, беспроводные каналы и/или различные другие носители данных, способные хранить, которые содержат или несут инструкцию (-и) и/или данные. Следует понимать, что «компьютерно-читаемый носитель» или «машиночитаемый носитель» может включать в себя несколько носителей, каждый из которых оперативно подключен к блоку обработки.
[0074] То, что было описано выше, является примерами. Конечно, невозможно описать все возможные комбинации компонентов или способов, но специалист в данной области поймет, что возможны многие другие комбинации и перестановки. Соответственно, раскрытие предназначено для охвата всех таких изменений, модификаций и вариаций, которые входят в объем настоящей заявки, включая прилагаемую формулу изобретения. Используемый здесь термин «включает» означает включает, но не ограничивается этим, термин «включая» означает включая, но не ограничивается этим. Термин «основанный на» означает основанный по меньшей мере частично на. Кроме того, если в раскрытии или формуле изобретения упоминается какой-либо, «первый» или «другой» элемент или их эквивалент, это следует интерпретировать как включающее один или более таких элементов, не требуя и не исключая два и более таких элемента.
Claims (7)
1. Способ проверки идентичности репродуктивной клеточной структуры, включающий в себя:
получение первого изображения репродуктивной клеточной структуры в устройстве формирования изображения в первый момент времени;
предоставление первого изображения репродуктивной клеточной структуры в нейронную сеть для генерирования первого ключа идентификации, представляющего морфологию репродуктивной клеточной структуры;
получение второго изображения репродуктивной клеточной структуры в устройстве формирования изображения во второй момент времени после первого момента времени;
предоставление второго изображения репродуктивной клеточной структуры в нейронную сеть для генерирования второго ключа идентификации, представляющего морфологию репродуктивной клеточной структуры; и
сравнение первого ключа идентификации со вторым ключом идентификации для проверки идентичности репродуктивной клеточной структуры, при этом первое и второе изображения указывают как представляющие одну и ту же репродуктивную клеточную структуру, если первый ключ идентификации соответствует второму ключу идентификации, и первое и второе изображения указывают как представляющие разные репродуктивные клеточные структуры, если первый ключ идентификации не соответствует второму ключу идентификации.
2. Способ по п. 1, дополнительно включающий: кодирование первого ключа идентификации на метке радиочастотной идентификации (RFID); и прикрепление метки RFID к чашке, содержащей репродуктивную клеточную структуру.
Applications Claiming Priority (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US62/897,045 | 2019-09-06 | ||
US62/897,053 | 2019-09-06 | ||
US62/897,049 | 2019-09-06 | ||
US62/897,043 | 2019-09-06 |
Publications (1)
Publication Number | Publication Date |
---|---|
RU2810125C1 true RU2810125C1 (ru) | 2023-12-22 |
Family
ID=
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120009156A1 (en) * | 2009-11-05 | 2012-01-12 | Fariborz Izadyar | Germline stem cell banking system |
US20160078275A1 (en) * | 2013-02-28 | 2016-03-17 | Progyny, Inc. | Apparatus, Method, and System for Image-Based Human Embryo Cell Classification |
CN108986901A (zh) * | 2018-09-14 | 2018-12-11 | 钟影 | Ivf质量控制方法、终端设备及系统 |
WO2019068073A1 (en) * | 2017-09-29 | 2019-04-04 | The Brigham And Women's Hospital, Inc. | AUTOMATED EVALUATION OF HUMAN EMBRYOS |
CN109584211A (zh) * | 2018-10-31 | 2019-04-05 | 南开大学 | 一种动物卵母细胞极体的视觉自动检测方法 |
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120009156A1 (en) * | 2009-11-05 | 2012-01-12 | Fariborz Izadyar | Germline stem cell banking system |
US20160078275A1 (en) * | 2013-02-28 | 2016-03-17 | Progyny, Inc. | Apparatus, Method, and System for Image-Based Human Embryo Cell Classification |
WO2019068073A1 (en) * | 2017-09-29 | 2019-04-04 | The Brigham And Women's Hospital, Inc. | AUTOMATED EVALUATION OF HUMAN EMBRYOS |
CN108986901A (zh) * | 2018-09-14 | 2018-12-11 | 钟影 | Ivf质量控制方法、终端设备及系统 |
CN109584211A (zh) * | 2018-10-31 | 2019-04-05 | 南开大学 | 一种动物卵母细胞极体的视觉自动检测方法 |
Non-Patent Citations (1)
Title |
---|
Pegah Khosravi at al. "Deep learning enables robust assessment and selection of human blastocysts after in vitro fertilization", NPJ DIGITAL MEDICINE, vol. 2, no. 1, 4 April 2019 (2019-04-04), XP055639862, ссылка в Internet https://www.nature.com/articles/s41746-019-0096-y. * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111279421B (zh) | 人类胚胎的自动评价 | |
Dimitriadis et al. | Artificial intelligence in the embryology laboratory: a review | |
AU2018384082B2 (en) | Systems and methods for estimating embryo viability | |
Louis et al. | Review of computer vision application in in vitro fertilization: the application of deep learning-based computer vision technology in the world of IVF | |
AU2024200572A1 (en) | Automated evaluation of quality assurance metrics for assisted reproduction procedures | |
US20230018456A1 (en) | Methods and systems for determining optimal decision time related to embryonic implantation | |
Khosravi et al. | Robust automated assessment of human blastocyst quality using deep learning | |
Zhao et al. | Application of convolutional neural network on early human embryo segmentation during in vitro fertilization | |
Jiang et al. | Artificial intelligence in the in vitro fertilization laboratory: a review of advancements over the last decade | |
US10748288B2 (en) | Methods and systems for determining quality of an oocyte | |
RU2810125C1 (ru) | Автоматизированная оценка показателей обеспечения качества для процедур вспомогательной репродукции | |
US20240249142A1 (en) | Methods and systems for embryo classificiation | |
CN115036021A (zh) | 一种基于空间动力学参数的胚胎发育监控方法 | |
Zeman et al. | Deep learning for human embryo classification at the cleavage stage (Day 3) | |
RU2800079C2 (ru) | Системы и способы оценки жизнеспособности эмбрионов | |
US20220375069A1 (en) | Estimating Oocyte Quality | |
Sergeev et al. | Advanced KPI Framework for IVF Pregnancy Prediction Models in IVF protocols | |
Narasimharao et al. | Enhanced Diabetic Retinopathy Detection through Convolutional Neural Networks for Retinal Image Classification | |
Mapstone et al. | Deep learning pipeline reveals key moments in human embryonic development predictive of live birth after in vitro fertilisation | |
JP2023541165A (ja) | アビトレーション集合を用いる異数性の自動スクリーニング | |
CA3210538A1 (en) | Systems and methods for evaluating embryo viability using artificial intelligence | |
WO2022150914A1 (en) | Systems and methods for non-invasive preimplantation embryo genetic screening | |
TW202121241A (zh) | 利用高光譜資料分析技術之人工智慧的細胞檢測方法及其系統 | |
CN116456892A (zh) | 确定生殖细胞结构中的位置 |