AI在生殖醫學的應用
撰文／陳儁翰｜醫學顧問／蔡鎧任（台南奇美醫院內科住院醫師）
年齡之外的影響因子
過去人工受孕有將近75%的機率無法活產，而臨床上的治療與對患者未來健康狀況的評估（即預後）則主要以患者年齡為依據（也就是根據年齡將病人分成不同類別，給予相應的照顧與治療），低估（或完全忽視）其他指標可能造成的影響，於是激起研究人員引入機器學習的動機。
首先我們來談談Banerjee等人所收集的數據。Cycle 1（C1）是指病人第一次進行人工受孕的整個週期，Cycle 2（C2）則是病人第二次進行人工受孕的整個週期。研究人員收集了2003至2006年間，1,676筆C1資料與732筆C2資料作為訓練資料集；另收集2007至2008年間，634筆C1資料與230筆C2資料，用以驗證系統的預測能力。由於胚胎的各方面數據是預測活產率的關鍵，所以必須經過第一次人工受孕，方能有較準確的預測。研究人員希望能以C1階段的數據來預測後期，甚至C2的活產機率。
研究人員選用Generalized Boosted Models （GBM®）這套自由軟體進行資料分析，篩選出52個與活產率相關的胚胎特徵，依重要性排列前幾名分別是：囊胚發育率（26％）、施用促性腺激素的總量（10％）、八細胞胚胎數（9％）、胚胎冷凍保存（7％）、女性患者年齡（6％）、子宮內膜厚度（6％）以及胚胎總數（6％）。套用在驗證資料集上（2007-2008的資料），這套新模型IVFBT的預測能力明顯優於傳統以年齡為主的預測模型。
更好的預測模型
接著，研究人員想知道根據C1特徵訓練出來的模型，是否也能用來預測C2的活產率？然而，數據統計顯示C2的活產率普遍較C1的活產率低，所以若將模型直接套用於C2可能高估活產率。於是，研究人員利用C1與C2相對應的資料建立線性模型，將預測結果以這個線性模型作修正，得到專屬於C2的活產率預測模型IVFBT C2。
透過下圖ROC曲線（Receiver Operating Characteristic Curve)，我們可以看到IVFBT（左圖綠線）對C1活產率的預測，以及IVFBT C2（右圖紅線）對C2活產率的預測，都比傳統模型（藍線）更具鑑別度。研究人員相信，這套頗具彈性的建模方法，未來也能拓展應用於其他案例。
(圖片來源：P. Banerjee et al., 2010.)
延伸閱讀：AI的表現好嗎？十種常見的評估指標
參考資料
P. Banerjee et al., “Deep phenotyping to predict live birth outcomes in in vitro fertilization“, Proceedings of the National Academy of Sciences, vol. 107, no. 31, pp. 13570-13575, 2010.