Merging synthetic and real embryo data for advanced AI predictions

要約

正確な胚の形態評価は、最も実行可能な胚を選択するための生殖支援技術に不可欠です。
人工知能には、このプロセスを強化する可能性があります。
ただし、胚データの利用可能性が限られているため、深い学習モデルをトレーニングするための課題があります。
これに対処するために、2つのデータセットを使用して2つの生成モデルをトレーニングしました。これは、作成および公開された1つの既存のパブリックデータセットを使用して、2セル、4細胞、8セル、モルラ、胚盤胞を含むさまざまな細胞段階で合成胚画像を生成しました。
これらを実際の画像と組み合わせて、胚細胞段階の予測のために分類モデルをトレーニングしました。
私たちの結果は、実際のデータと一緒に合成画像を組み込むことで分類パフォーマンスが改善され、モデルは実際のデータのみでトレーニングされた場合、94.5％と比較して97％の精度を達成することを示しています。
この傾向は、別のクリニックの外部胚盤胞データセットでテストされた場合、一貫性がありました。
特に、合成データのみで訓練され、実際のデータでテストされた場合でも、モデルは92％の高い精度を達成しました。
さらに、両方の生成モデルからの合成データを組み合わせると、単一の生成モデルからのデータを使用するよりも、より良い分類結果が得られました。
4人の発生学者がチューリングテストを通じて合成画像の忠実度を評価し、その間に不正確さを注釈し、フィードバックを提供しました。
この分析では、拡散モデルが生成敵のネットワークよりも優れていることが示され、発生学者が25.3％に対して66.6％を欺き、フリーチェットの開始距離スコアを達成しました。

要約(オリジナル)

Accurate embryo morphology assessment is essential in assisted reproductive technology for selecting the most viable embryo. Artificial intelligence has the potential to enhance this process. However, the limited availability of embryo data presents challenges for training deep learning models. To address this, we trained two generative models using two datasets-one we created and made publicly available, and one existing public dataset-to generate synthetic embryo images at various cell stages, including 2-cell, 4-cell, 8-cell, morula, and blastocyst. These were combined with real images to train classification models for embryo cell stage prediction. Our results demonstrate that incorporating synthetic images alongside real data improved classification performance, with the model achieving 97% accuracy compared to 94.5% when trained solely on real data. This trend remained consistent when tested on an external Blastocyst dataset from a different clinic. Notably, even when trained exclusively on synthetic data and tested on real data, the model achieved a high accuracy of 92%. Furthermore, combining synthetic data from both generative models yielded better classification results than using data from a single generative model. Four embryologists evaluated the fidelity of the synthetic images through a Turing test, during which they annotated inaccuracies and offered feedback. The analysis showed the diffusion model outperformed the generative adversarial network, deceiving embryologists 66.6% versus 25.3% and achieving lower Frechet inception distance scores.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google