数据集准备与预处理
构建用于训练和评估AI模型的临床囊胚和类囊胚图像数据集。
收集14,640张临床囊胚和206张类囊胚明场图像，由经验丰富的胚胎学家基于Gardner标准标注并归为5级；图像统一调整为224×224像素并归一化。
关于丁香通
公司信息
个人用户
企业机构
无忧采购 轻松科研
- 移动端
用于人类囊胚和类囊胚分级的人工智能共识解释方法
Explainable AI consensus for grading human blastocysts and blastoids
实验完整度
低文献主要为AI模型开发和回顾性图像分析，包含细胞培养和类囊胚生成，但缺乏功能验证或机制验证。
主要模型
临床人类囊胚（14,640张图像） H9-hESC来源类囊胚（206张图像）
重点核对
数据集在个体囊胚/类囊胚层面而非图像层面划分训练、验证、测试集（56%、14%、30%） 四个CNN（ResNet18、VGG16-BN、ResNet50、EfficientNet-B0）均使用Adam优化器（学习率0.0001）训练15个epoch，损失函数为交叉熵 LLM元模型使用Gemini 2.5 Flash，并通过5-shot prompting策略（提供5个代表性示例） 评估指标为加权F1分数；Grad-CAM用于计算ICM和TE焦点分数
摘要
人类囊胚的形态学评估是临床辅助生殖技术中的一个关键但主观的步骤，常受观察者间差异所限。为了建立临床囊胚和干细胞来源类囊胚的标准化、客观分级系统，我们开发了一个可解释的人工智能驱动的多模型共识框架。我们的方法利用了一个包含14,846张明场图像（14,640个囊胚和206个类囊胚）的大规模数据集，以经验丰富的胚胎学家确定的Gardner分级系统（1-5级）作为金标准。高质量胚胎被定义为达到扩张4级或5级且内细胞团和滋养层评分良好的胚胎。为防止数据泄漏并确保泛化能力，数据集在单个胚胎/类囊胚层面而非图像层面被严格划分为训练集和测试集。该框架集成了四个微调卷积神经网络（ResNet18、VGG16-BN、ResNet50和EfficientNet-B0）的集成用于视觉评估，并通过Grad-CAM实现视觉可解释性，通过Gemini 2.5 Flash大语言模型实现认知推理。定量评估显示，LLM元模型达到了0.99的加权F1分数，证明了其与XGBoost元模型（F1分数：1.00）建立的统计上限的功能等价性。Grad-CAM分析证实了模型的决策具有生物学基础，高质量预测始终与ICM上的高焦点分数相关。此外，t-SNE可视化提供了临床囊胚和H9来源类囊胚之间形态相似性的客观证据。这种混合框架为客观、可解释的胚胎分级建立了新的基准，并验证了类囊胚作为一种稳健模型系统的有效性。
实验结论
提炼研究问题、关键发现与证据，快速把握文章的核心贡献。
- 研究问题
- 如何利用可解释的人工智能框架对临床囊胚和干细胞来源类囊胚进行标准化、客观的分级，并评估类囊胚与囊胚的形态相似性？
- 核心机制
- AI集成通过Grad-CAM对ICM和TE等关键结构的注意力焦点与生物学形态标准一致，LLM通过自然语言推理整合CNN输出，从而共识决定最终等级。
- 主要证据
- 14,846张图像中，EfficientNet-B0表现最佳（F1分数0.84），LLM元模型达到F1分数0.99，XGBoost为1.00；Grad-CAM分析显示高质量预测与高ICM焦点分数相关；t-SNE和ICM焦点分数分析显示囊胚与类囊胚形态学相似。
- 研究意义
- 该框架为客观、可解释的胚胎分级建立了新基准，并在标准化图像域评估类囊胚形态方面具有应用价值，为ART胚胎选择和早期发育研究提供支持。
研究路径
按研究推进顺序梳理实验设计、验证步骤与关键观察。
CNN集成训练与评估
训练并比较四个CNN架构在囊胚分类中的性能。
微调ResNet18、VGG16-BN、ResNet50、EfficientNet-B0四个CNN，使用Adam优化器（学习率0.0001）训练15个epoch，交叉熵损失，评估加权F1分数和混淆矩阵。
Grad-CAM可解释性分析
验证CNN决策的生物学相关性并量化对ICM和TE的关注。
使用Grad-CAM生成热图，量化每个CNN的ICM焦点分数和TE焦点分数，分析高低不确定性场景下的注意力模式。
元模型共识推理
整合CNN多样输出以达成最终分级，并比较统计模型与LLM的性能。
将四个CNN的预测、置信度和焦点描述作为输入，分别使用XGBoost和Gemini 2.5 Flash LLM（采用few-shot prompting）构建元模型，评估加权F1分数，并分析不同熵和提示策略下的表现。
跨域形态相似性分析
评估临床囊胚和干细胞来源类囊胚之间的形态学相似性。
使用EfficientNet-B0作为特征提取器，通过t-SNE可视化特征分布，并比较在囊胚和类囊胚测试集上的模型性能；另外进行ICM焦点分数的分层比较。
研究方法
按研究目的归类文中使用的方法，便于定位所需技术。
验证样本或模型特征
验证分子表达变化
验证机制链路
产品清单
| 实验环节 | 名称 | 品牌 | 货号 |
|---|---|---|---|
| 细胞培养 | Y-27632 | Tocris Bioscience | -- |
| DMEM/F12培养基 | Invitrogen | -- | |
| Neurobasal培养基 | Invitrogen | -- | |
| N2补充剂 | Invitrogen | -- | |
| B27补充剂 | Invitrogen | -- | |
| 重组人白血病抑制因子 | Peprotech | -- | |
| PD0325901 | Biogems | -- | |
| IM-12 | Enzo Life Sciences | -- | |
| SB590885 | Tocris | -- | |
| WH-4-023 | Tocris | -- | |
| Accutase细胞解离液 | Gibco | -- | |
| 类囊胚生成 | 20μM细胞筛网 | pluriSelect | -- |
| AggreWell-400培养板 | STEMCELL Technologies | -- | |
| 成纤维细胞生长因子2 | PeproTech | -- | |
| 激活素A | -- | -- | |
| CEPT混合物 | MedChemExpress | -- | |
| 血清替代物 | Gibco | -- | |
| A83-01 | -- | -- | |
| 溶血磷脂酸 | -- | -- | |
| AI模型训练 | Gemini 2.5 Flash API | -- |
关键环节
汇总复现实验时建议重点确认的条件及原文阅读提示。
| 环节 | 核对要点 |
|---|---|
| 数据集准备 | 图像分辨率、数据集划分比例（训练/验证/测试：56%/14%/30%）、划分单位（个体胚胎/类囊胚） 阅读提示：Materials and methods - Dataset preparation and preprocessing |
| CNN集成训练 | 模型架构、优化器（Adam）、学习率（0.0001）、训练轮数（15）、损失函数（交叉熵） 阅读提示：Materials and methods - Development of the multi-model AI framework |
| Grad-CAM分析 | Grad-CAM计算方法、ICM/TE焦点分数的量化规则（强度等级及归一化） 阅读提示：Materials and methods - Qualitative and quantitative evaluation |
| 元模型共识 | 元模型类型（XGBoost、Gemini 2.5 Flash）、LLM提示策略（五样本）、输入特征（预测、置信度、焦点描述） 阅读提示：Materials and methods - Development of the multi-model AI framework |
| 类囊胚生成 | 细胞系（H9-hESC）、培养条件（5i/L/A、CEP、KSR等）、接种密度（20细胞/微孔） 阅读提示：Materials and methods - Optimized protocol for human blastoid generation from naive hPSCs |