Сравнение 12 моделей машинного обучения, разработанных для прогнозирования плоидности, на основе морфокинетического метадатасета из 8147 эмбрионов

Вопрос исследования: Превосходят ли методы машинного обучения традиционные статистические подходы в прогнозировании плоидности бластоцисты по морфокинетическим и клиническим биоданным?

Ответ: Логистическая регрессия со смешанными эффектами показала лучшие результаты, чем все методы машинного обучения, при прогнозировании плоидности по нашему набору данных из 8147 эмбрионов.

Что уже известно: Показано, что у анеуплоидных эмбрионов морфокинетические временные параметры запаздывают. Модели машинного обучения и статистические модели разрабатываются всё чаще, однако до сих пор их ограничивала недостаточная полнота данных.

Дизайн исследования, объём и длительность: Многоцентровое когортное исследование. Данные получены у 8147 биопсированных бластоцист от 1725 пациенток, лечившихся в 2012–2020 годах.

Пациенты/материалы, условия, методы: Все эмбрионы культивировали в системе покадровой съёмки в девяти клиниках ЭКО в Великобритании. В окончательный проверенный набор данных вошли 3004 эуплоидных и 5023 анеуплоидных эмбриона. Мы разработали 12 моделей с использованием четырёх разных подходов: многопараметрической логистической регрессии со смешанными эффектами, классификаторов случайного леса, экстремального градиентного бустинга и глубокого обучения. Для каждого из четырёх алгоритмов создали по две модели: первую с 22 ковариатами на 8027 эмбрионах (набор данных 1) и вторую — на наборе из 2373 эмбрионов и 26 ковариат (набор данных 2). Четыре итоговые модели были построены с изменением целевого исхода с эуплоидии на анеуплоидию для каждого алгоритма (набор данных 1). Модели валидировали с помощью внутренне-внешней кросс-валидации и внешней валидации.

Основные результаты и роль случайности: Все морфокинетические показатели были значимо замедлены у анеуплоидных эмбрионов. Вероятность эуплоидии значимо повышалась по мере большей степени экспансии бластоцисты (P < 0,001) и лучшей оценки трофэктодермы (P < 0,01). Однофакторный анализ не выявил связи плоидности со стадией морулы или фрагментацией на стадии дробления, оценкой морулы, методом оплодотворения, концентрацией сперматозоидов или прогрессивной подвижностью. Возраст мужчины не коррелировал с процентом эуплоидных эмбрионов при стратификации по возрасту женщины. Многоядерность на стадии двух или четырёх клеток не была связана с плоидностью. Лучшую модель получила логистическая регрессия, построенная на большем наборе данных с 22 предикторами (F1-оценка 0,59 для прогнозирования эуплоидии; F1-оценка 0,77 для прогнозирования анеуплоидии; AUC 0,71; 95% ДИ 0,67–0,73). Лучшие модели, построенные с использованием случайного леса, экстремального градиентного бустинга и глубокого обучения, достигли AUC 0,68, 0,63 и 0,63 соответственно. При использовании только морфокинетических предикторов AUC для прогнозирования плоидности составляла 0,61, тогда как модель, включавшая только оценку эмбриона, не могла различать анеуплоидные эмбрионы (AUC = 0,52). Качество прогноза плоидности улучшалось с увеличением возраста женщины.

Ограничения, основания для осторожной интерпретации: Модели не были валидированы в проспективном исследовании и пока не использовались для оценки влияния на клинические исходы.

Более широкое значение результатов: Эта модель может помочь в принятии решений, особенно там, где преимплантационное генетическое тестирование на анеуплоидию не разрешено, либо для приоритизации эмбрионов для биопсии.

Финансирование исследования/конфликт интересов: Специальное финансирование для этого исследования не запрашивалось; первый автор был поддержан университетскими средствами. A.Ca. владеет небольшой долей в участвующих центрах.

Регистрационный номер исследования: Не применимо.