[논문 리뷰] Data-Driven Prediction of Embryo Implantation Probability Using IVF Time-lapse Imaging

David H. Silver, Martin Feder외 8명|arXiv (Cornell University)|2020. 06. 01.

Reproductive Biology and Fertility참고 문헌 14인용 수 11

한 줄 요약

이 논문은 IVF 시간-지속 영상에서 직접 임신 성공 확률을 예측하는 딥러닝 모델인 Ubar를 제시한다. 이 모델은 스펙트로시계적 특징을 추출하기 위해 CNN-LSTM 아키텍처를 사용하며, 레이블이 없는 영상에서 특징을 추출하고, 임신 예측을 위해 미세조정한다. 모델은 전문 임신의사 패널보다 12% 높은 양성 예측값과 29% 높은 음성 예측값을 기록하여 임상적 관련성에서 인간의 판단을 뛰어넘는다.

ABSTRACT

The process of fertilizing a human egg outside the body in order to help those suffering from infertility to conceive is known as in vitro fertilization (IVF). Despite being the most effective method of assisted reproductive technology (ART), the average success rate of IVF is a mere 20-40%. One step that is critical to the success of the procedure is selecting which embryo to transfer to the patient, a process typically conducted manually and without any universally accepted and standardized criteria. In this paper we describe a novel data-driven system trained to directly predict embryo implantation probability from embryogenesis time-lapse imaging videos. Using retrospectively collected videos from 272 embryos, we demonstrate that, when compared to an external panel of embryologists, our algorithm results in a 12% increase of positive predictive value and a 29% increase of negative predictive value.

연구 동기 및 목표

• IVF의 낮고 변동성이 큰 성공률(20–40%)을 해결하기 위해, 주관적이고 표준화되지 않은 수작업 등급 평가를 넘어서 배아 선별을 향상시키기 위해.
• 시간-지속 영상에서 직접 임신 가능성을 예측하는 데이터 기반의 자동화된 시스템을 개발하여, 수작업으로 정의된 형태학적 기준에 의존하지 않도록 하기 위해.
• 영상 데이터에서 종단 간 학습을 활용하여 전문 임신의사의 예측 정확도를 뛰어넘는 임상 예측 정확도를 달성하기 위해.
• 작은 레이블이 부여된 데이터셋(272개의 임신 결과가 알려진 배아)으로도 전문가 패널 성능을 뛰어넘는 모델을 도출할 수 있음을 입증하기 위해.

제안 방법

• 8,789개의 레이블이 없는 시간-지속 영상 프레임에서 학습된 10층의 CNN 오토인코더는 $L_2$ 손실 함수를 사용하여 968차원의 프레임 수준 임bedding을 추출한다.
• 4,087개의 레이블이 부여된 영상에서 학습된 LSTM 네트워크는 인코딩된 프레임 임베딩을 사용하여 임신의사가 평가한 등급 분포를 예측한다.
• 동일한 LSTM 인코더는 272개의 영상(108개 성공, 164개 실패)에서 알려진 임신 결과를 바탕으로 이진 분류 헤드를 사용하여 임신 가능성을 예측하도록 미세조정된다.
• 모델 평가에는 환자 수준의 데이터 제거를 통해 데이터 泄유를 방지하기 위한 10겹 교차검증을 사용한다.
• 성능 평가는 AUC, 양성 예측값(PPV), 음성 예측값(NPV)을 사용하며, 전문가 패널 점수와 무작위 기준과 비교한다.
• 모델는 사전 학습된 오토인코더에서 유도된 임베딩을 사용하여 종단 간 학습 방식으로 레이어를 통합하여 표현 학습과 결과 예측을 동시에 수행한다.

실험 결과

연구 질문

• RQ1 시간-지속 배아 영상에서 종단 간 학습된 딥러닝 모델이 전문 임신의사보다 임신 가능성을 더 잘 예측할 수 있는가?
• RQ2 수작업 형태학적 평가 기준을 생략하는 데이터 기반 접근 방식이 인간이 애너테이션한 평가 체계보다 더 높은 예측 성능을 낼 수 있는가?
• RQ3 작은 수의 레이블이 부여된 임신 결과(272개의 배아)로도 전문가 패널 성능을 뛰어넘는 모델을 개발할 수 있는가?
• RQ4 모델의 양성 예측값과 음성 예측값은 전문가 패널과 비교해 어떻게 다른가? 그리고 더 높은 예측 정확도가 임상적 영향을 미치는가?

주요 결과

• Ubar 모델은 임신 예측에 대해 AUC 0.82 ± 0.07을 기록하여 전문가 패널의 AUC 0.58 ± 0.04보다 유의미하게 높았다.
• Ubar의 양성 예측값(PPV)은 93%로, 전문가 패널의 PPV 81% ± 1%보다 12% 높았다.
• Ubar의 음성 예측값(NPV)은 58%로, 전문가 패널의 NPV 23% ± 8%보다 29% 높았다.
• 부트스트래핑 검증(1,000회 반복)을 통해 모델의 성능이 안정적이며, AUC와 예측값 추정치의 신뢰성이 확인되었다.
• 모델의 뛰어난 성능은 잘못된 전이(임신하지 않는 배아의 전이)를 줄이고, 생존 가능한 배아의 전이를 놓치는 것을 방지할 수 있음을 시사한다.
• 272개의 레이블이 부여된 임신 결과만을 사용함에도 불구하고 모델는 전문가 패널 성능을 뛰어넘었으며, 이는 레이블이 없는 데이터에서의 표현 학습이 후속 예측 성능을 향상시킬 수 있음을 시사한다.