[{"data":1,"prerenderedAt":23},["ShallowReactive",2],{"blog-detail-995-zh":3},{"id":4,"date":5,"date_gmt":6,"modified":7,"modified_gmt":8,"title":9,"excerpt":11,"content":12,"featured_image":15,"categories":16,"tags":18,"sort_order":19,"focus_keyphrase":20,"seo_title":21,"seo_description":22},995,"2025-12-02T15:23:13","2025-12-02T07:23:13","2026-08-13T14:29:35","2026-08-13T06:29:35",{"rendered":10},"[易学堂]可解释超声机器学习模型预测冷冻胚胎移植结局","\u003Cp>本次介绍的这篇论文将可解释人工智能引入冻融胚胎移植领域，通过整合超声影像组学特征与临床指标，建立了具有可视化决\u003C\u002Fp>\n",{"rendered":13,"protected":14},"\u003Cspan>\u003Cspan style=\"font-size: 16px\">本次介绍的这篇论文将可解释人工智能引入冻融胚胎移植领域，通过整合超声影像组学特征与临床指标，建立了具有可视化决策功能的预测模型。研究开创地将结合带超声影像特征纳入预测体系，并采用多种方法增加了特征选择和模型预测的可解释性。虽然研究目前仅基于单中心数据，且依赖人工标注特征提取，但未来通过多中心验证和自动化技术可进一步提升临床应用价值。\u003C\u002Fspan>\u003C\u002Fspan>\n\n\n\n\u003Cspan style=\"font-family: BlinkMacSystemFont, -apple-system, "Segoe UI", Roboto, Oxygen, Ubuntu, Cantarell, "Fira Sans", "Droid Sans", "Helvetica Neue", sans-serif;font-size: 16px;font-style: normal;font-weight: 400;letter-spacing: normal;text-align: start;text-indent: 0px;text-transform: none;float: none;display: inline !important\" data-pm-slice=\"0 0 []\">\u003Cspan>\u003Cspan style=\"font-size: 14px\">Xu F, Ma Q, Lai P, Hu L, Gao C, Xu Q, Fang Y, Guo Y, Yao W, Zhang C. An explainable ultrasound-based machine learning model for predicting reproductive outcomes after frozen embryo transfer. Reprod Biomed Online. 2025 May;50(5):104743. doi: 10.1016\u002Fj.rbmo.2024.104743. Epub 2024 Nov 28. PMID: 40199653.\u003C\u002Fspan>\u003C\u002Fspan>\u003C\u002Fspan>\n\n\n\n\u003Cfigure class=\"wp-block-image size-full\">\u003Cimg decoding=\"async\" data-src=\"https:\u002F\u002Fshengshengyi.com\u002Fwp-content\u002Fuploads\u002F2026\u002F07\u002Fwechat-ar2vqt359oykmfl5vi50py5futs9hbzjax7ky7mzuax4m-0wdkyq8apfvxiycj8l-0-image-1.png\" alt=\"图片\" class=\"rich_pages wxw-img fertsy-content-image fertsy-content-image--wide\" data-ratio=\"0.6666666666666666\" data-type=\"png\" data-w=\"864\" style=\"display:block;max-width:90%;width:90%;height:auto;aspect-ratio:1 \u002F 0.666667;object-fit:contain;margin:24px auto;\" data-backw=\"553\" data-backh=\"369\" data-imgfileid=\"100000383\" src=\"https:\u002F\u002Fshengshengyi.com\u002Fwp-content\u002Fuploads\u002F2026\u002F07\u002Fwechat-ar2vqt359oykmfl5vi50py5futs9hbzjax7ky7mzuax4m-0wdkyq8apfvxiycj8l-0-image-1.png\">\u003C\u002Ffigure>\n\n\n\n\u003Ch2>研究背景\u003C\u002Fh2>\n\n\n\n\u003Cspan>冷冻胚胎移植（Frozen Embryo Transfer, FET）在临床中已被广泛采用，但妊娠成功率仍未达到理想水平，提示我们对种植前子宫环境的评估尚有改进空间。传统B超虽能提供内膜厚度、血流等参考指标，但过度依赖经验判断，缺乏量化标准，难以有效识别潜在的着床失败风险。近年来，放射组学（Radiomics）和人工智能（AI）技术在医学图像分析领域快速发展，特别是具备解释力的AI模型的兴起，为提升辅助生殖精准评估提供了新的可能。基于此，本文构建并验证了一个融合B超影像和临床信息的AI预测模型，旨在辅助判断FET前是否具备理想的种植窗口。\u003C\u002Fspan>\n\n\n\n\u003Ch2>研究方法\u003C\u002Fh2>\n\n\n\n\u003Cfigure class=\"wp-block-image size-full\">\u003Cimg decoding=\"async\" data-src=\"https:\u002F\u002Fshengshengyi.com\u002Fwp-content\u002Fuploads\u002F2026\u002F07\u002Fwechat-ar2vqt359oykmfl5vi50py5futs9hbzjax7ky7mzuax4m-0wdkyq8apfvxiycj8l-0-image-2.webp\" alt=\"图片\" class=\"rich_pages wxw-img fertsy-content-image fertsy-content-image--wide\" data-ratio=\"0.7398148148148148\" data-type=\"jpeg\" data-w=\"1080\" style=\"display:block;max-width:90%;width:90%;height:auto;aspect-ratio:1 \u002F 0.739815;object-fit:contain;margin:24px auto;\" data-backw=\"554\" data-backh=\"410\" data-imgfileid=\"100000382\" src=\"https:\u002F\u002Fshengshengyi.com\u002Fwp-content\u002Fuploads\u002F2026\u002F07\u002Fwechat-ar2vqt359oykmfl5vi50py5futs9hbzjax7ky7mzuax4m-0wdkyq8apfvxiycj8l-0-image-2.webp\">\u003C\u002Ffigure>\n\n\n\n\u003Cspan>本研究为前瞻性单中心队列研究，共纳入787名接受FET治疗的患者，随机分为训练集和测试集。所有患者在移植前24小时接受经阴道三维B超检查，并由技师采集标准图像。研究人员利用3D Slicer软件手动勾画子宫内膜及结合带（junctional zone）的ROI，并通过开源工具PyRadiomics提取1409项图像特征。同时，收集17项临床变量用于建模分析。研究先分别构建放射组学模型（ANN最佳）和临床模型（逻辑回归），再通过XGBoost算法实现信息融合，形成最终的多模态模型。模型性能通过AUC等指标评估，并借助SHAP方法提供特征解释与可视化分析。\u003C\u002Fspan>\n\n\n\n\u003Cfigure class=\"wp-block-image size-full\">\u003Cimg decoding=\"async\" data-src=\"https:\u002F\u002Fshengshengyi.com\u002Fwp-content\u002Fuploads\u002F2026\u002F07\u002Fwechat-ar2vqt359oykmfl5vi50py5futs9hbzjax7ky7mzuax4m-0wdkyq8apfvxiycj8l-0-image-3.webp\" alt=\"图片\" class=\"rich_pages wxw-img fertsy-content-image fertsy-content-image--wide\" data-ratio=\"0.512962962962963\" data-type=\"jpeg\" data-w=\"1080\" style=\"display:block;max-width:90%;width:90%;height:auto;aspect-ratio:1 \u002F 0.512963;object-fit:contain;margin:24px auto;\" data-backw=\"520\" data-backh=\"267\" data-imgfileid=\"100000380\" src=\"https:\u002F\u002Fshengshengyi.com\u002Fwp-content\u002Fuploads\u002F2026\u002F07\u002Fwechat-ar2vqt359oykmfl5vi50py5futs9hbzjax7ky7mzuax4m-0wdkyq8apfvxiycj8l-0-image-3.webp\">\u003C\u002Ffigure>\n\n\n\n\u003Cspan>\u003Cspan style=\"font-size: 14px\">子宫内膜和结合带的手动图像分割\u003C\u002Fspan>\u003C\u002Fspan>\n\n\n\n\u003Ch2>研究结果\u003C\u002Fh2>\n\n\n\n\u003Cspan>在模型性能评估中，融合模型在训练集和测试集中的AUC分别为0.861和0.793，优于单独的放射组学模型（AUC 0.814）和临床模型（AUC 0.680），体现出多模态信息整合的预测优势。通过SHAP全局解释图可以看出，放射组学评分（Rad score）是模型中贡献最大的变量，其次依次为胚胎等级、患者年龄和内膜厚度。值得注意的是，在不同胚胎等级亚组（包括Grade 1和Grade 2）中，融合模型均维持了良好的预测稳定性。在个体层面，SHAP力图能够展示每位患者各特征对妊娠预测结果的正负影响与权重变化，从而帮助医生深入理解模型的判断依据，为实际临床沟通和决策提供可视化支持。    \u003C\u002Fspan>\n\n\n\n\u003Cfigure class=\"wp-block-image size-full\">\u003Cimg decoding=\"async\" data-src=\"https:\u002F\u002Fshengshengyi.com\u002Fwp-content\u002Fuploads\u002F2026\u002F07\u002Fwechat-ar2vqt359oykmfl5vi50py5futs9hbzjax7ky7mzuax4m-0wdkyq8apfvxiycj8l-0-image-4.webp\" alt=\"图片\" class=\"rich_pages wxw-img fertsy-content-image fertsy-content-image--wide\" data-ratio=\"0.975925925925926\" data-type=\"jpeg\" data-w=\"1080\" style=\"display:block;max-width:90%;width:90%;height:auto;aspect-ratio:1 \u002F 0.975926;object-fit:contain;margin:24px auto;\" data-backw=\"553\" data-backh=\"540\" data-imgfileid=\"100000384\" src=\"https:\u002F\u002Fshengshengyi.com\u002Fwp-content\u002Fuploads\u002F2026\u002F07\u002Fwechat-ar2vqt359oykmfl5vi50py5futs9hbzjax7ky7mzuax4m-0wdkyq8apfvxiycj8l-0-image-4.webp\">\u003C\u002Ffigure>\n\n\n\n\u003Cfigure class=\"wp-block-image size-full\">\u003Cimg decoding=\"async\" data-src=\"https:\u002F\u002Fshengshengyi.com\u002Fwp-content\u002Fuploads\u002F2026\u002F07\u002Fwechat-ar2vqt359oykmfl5vi50py5futs9hbzjax7ky7mzuax4m-0wdkyq8apfvxiycj8l-0-image-5.webp\" alt=\"图片\" class=\"rich_pages wxw-img fertsy-content-image fertsy-content-image--wide\" data-ratio=\"0.33796296296296297\" data-type=\"jpeg\" data-w=\"1080\" style=\"display:block;max-width:90%;width:90%;height:auto;aspect-ratio:1 \u002F 0.337963;object-fit:contain;margin:24px auto;\" data-backw=\"543\" data-backh=\"183\" data-imgfileid=\"100000381\" src=\"https:\u002F\u002Fshengshengyi.com\u002Fwp-content\u002Fuploads\u002F2026\u002F07\u002Fwechat-ar2vqt359oykmfl5vi50py5futs9hbzjax7ky7mzuax4m-0wdkyq8apfvxiycj8l-0-image-5.webp\">\u003C\u002Ffigure>\n\n\n\n\u003Cspan>\u003Cspan style=\"font-size: 14px\">SHAP摘要图\u003C\u002Fspan>\u003C\u002Fspan>\n\n\n\n\u003Ch2>研究创新点\u003C\u002Fh2>\n\n\n\n\u003Cspan>本研究在辅助生殖领域具有多方面的探索价值和实践意义。首先，它突破了传统B超对内膜厚度和血流的静态描述方式，将放射组学技术应用于子宫内膜及其结合带的图像建模，拓展了评估子宫环境的深度与维度。其次，通过将影像信息与临床变量融合，研究构建了一个可以同时参考“子宫状态”与“胚胎特性”的综合AI框架，这种整合式建模方式较以往的单一评估更贴近临床实际需要。再次，为解决AI模型在临床落地中“看不懂”的障碍，研究特意引入SHAP解释方法，直观呈现变量对预测结果的影响方向与强度，不仅提升了医生的信任度，也增强了医患沟通的科学依据。最后，整个分析流程均基于开源工具实现，从图像标注、特征提取到模型训练与解释，具备良好的可复制性和推广潜力，为其他中心开展类似研究提供了技术范式。\u003C\u002Fspan>\n\n\n\n\u003Ch2>研究局限性\u003C\u002Fh2>\n\n\n\n\u003Cspan>尽管本研究取得了较好的预测效果，仍存在一些局限。首先，样本来源于单一中心，尚需多中心验证以提升模型的泛化能力；其次，样本中非高质量胚胎占比较低，可能限制模型在边缘胚胎情境中的表现；此外，当前的ROI仍由人工勾画完成，虽具一致性，但效率较低，未来需引入自动化分割工具提升临床适用性。研究终点也仅限于临床妊娠率，尚未延伸至更具临床意义的活产率，后续研究需进一步拓展。\u003C\u002Fspan>\n\n\n\n\u003Ch2>临床意义与展望\u003C\u002Fh2>\n\n\n\n\u003Cspan>本研究所提出的AI融合模型为FET前子宫内膜环境评估提供了一种更加量化、客观且可解释的工具，尤其适用于判断移植窗口是否理想。对于反复种植失败或内膜状态边缘的患者，模型可输出个体化妊娠概率，帮助医生制定更具依据的移植策略。与此同时，模型的可解释性使胚胎学家在评估胚胎与子宫环境匹配、讨论移植方案时具备更清晰的沟通基础。未来若能结合自动化图像处理、多中心数据与长期随访验证，该模型有望在辅助生殖临床中发挥更广泛的应用价值，推动胚胎移植从经验主导走向精准决策。\u003C\u002Fspan>",false,"https:\u002F\u002Fshengshengyi.com\u002Fwp-content\u002Fuploads\u002F2026\u002F07\u002Fwechat-ar2vqt359oykmfl5vi50py5futs9hbzjax7ky7mzuax4m-0wdkyq8apfvxiycj8l-0-cover.jpg",[17],11,[],0,"可解释超声机器学习模型预测冷冻胚胎移","可解释超声机器学习模型预测冷冻胚胎移植结局 | Fertsy","可解释超声机器学习模型预测冷冻胚胎移：本文梳理相关背景、核心进展与行业意义，并介绍生生易在人工智能辅助生殖和IVF技术领域的实践。",1786874476574]