AI解码「一击即中」——聚类算法首次锁定IVF鲜胚活产“命运开关”发表时间：2025-09-01 15:14 Critical factors influencing live birth rates in fresh embryo transfer for IVF: insights from cluster ensemble algorithms 影响IVF新鲜移植后活产率的关键因素：聚类集成算法   不孕症已成为一个重大的全球健康问题。辅助生殖技术（ART）虽然帮助很多的不孕夫妇受孕，但仍有一些反复失败的周期。本研究旨在探究影响IVF新鲜胚胎移植着床率的关键临床因素。 本文采用了一种新型的基于非负矩阵分解（NMF）的集成算法（NMFE），通过整合来自非负矩阵分解（NMF）的特征矩阵、用于非负矩阵分解的加速乘法更新（AMU-NMF）以及广义深度学习聚类（GDLC）算法。NMFE分析在体外受精和胚胎移植的数据上有着出众的准确性和可靠性。数据包含了2238个周期和85个独立的临床特征，再根据特征相关性分为13类。随后，训练NMFE模型并达到收敛。随后对13个类别的特征依次进行遮蔽，以分析它们各自对IVF-ET活产的影响。NMFE分析揭示治疗干预措施、胚胎移植效果及卵巢反应评估对IVF-ET活产率的显著影响。 特别值得注意的是，包含卵巢刺激方案、促排卵药物使用以及刺激周期前后针灸治疗在内的治疗干预措施具有关键作用，但其在NMFE模型中的影响权重呈现弱化趋势，提示联合应用时可能产生协同效应。需特别指出的是，基础信息、诊断结果及产科史等因素的影响相对有限。该NMFE算法在评估临床特征对IVF新鲜胚胎移植活产率的影响方面展现出良好的应用前景。 不同算法之间的对比 本文将NMFE与一些众所周知的可靠算法进行了比较，比较的算法分别有：NMF、AMU-NMF、MCLA和EREC。将准确率（ACC）和纯度（PUR）值作为评估不同算法性能与有效性的指标。算法的准确率越高，正确预测的比例就越高；纯度越高，表明实例准确分类的百分比越高。准确率和纯度在NMFE中分别为0.7912和0.8605，高过了其他的算法模型。这表明了NMFE更有效。（表1；图1）  影响因素的等级分析 本研究扩展了分析，以比较NMF、AMU-NMF、GDLC和NMFE算法的有效性。原始数据在经过三组不同随机数随机遮蔽后，在大多数情况下NMFE始终展示出高于其他算法的准确率和纯度（表2）。  为了进一步研究特定特征组对IVF-ET模型的影响，本文用随机数字遮蔽了如治疗干预、胚胎移植结局和卵巢反应评估指标等数据。这一操作使得IVF-ET模型的整体准确率显著下降，表明了这些特征组对模型有着实质性的影响。 将各特征组对IVF-ET结局的影响量化，本研究将经过三组随机数字遮蔽的数据的准确率和纯度相加来计算ACC-GAP和PUR-GAP值。这些间隙（GAP）的计算值越小，表明该特征组对模型的稳健性影响越强，且对IVF-ET结局的作用越显著（表3；图2）。   在所有特征组中，治疗干预措施的ACC-GAP和PUR-GAP值最小，表明其对模型贡献最为关键。 根据影响分析结果，我们确定了影响IVF-ET结局的前五组：治疗干预措施、胚胎移植结局、卵巢反应评估指标、胚胎移植相关指标及妊娠期并发症。在治疗干预措施组中，卵巢刺激方案、促排卵药物使用以及周期前及周期内针灸治疗等因素的影响尤为突出。为深入探究各治疗方案对IVF-ET结局的具体作用，我们针对每项干预因素进行了独立分析（表4；图3）。   进一步对治疗干预措施组的临床特征进行单独分析时，我们发现其内部影响因素排名发生了变化：促排卵药物影响力降至第七位，卵巢刺激方案降至第八位，而针灸治疗的排名更为靠后。这一变化是否暗示多种疗法间的协同效应，仍需后续研究验证。 |
