[发明专利]用于使用人工智能（AI）模型进行非侵入性基因检测的方法和系统

权利要求书

1.一种用于以计算方式生成非整倍体筛选人工智能(AI)模型的方法，该AI模型用于筛选在胚胎图像中是否存在非整倍体，该方法包括：

定义多个染色体组标签，其中每个组包括一个或多个不同的非整倍体，所述非整倍体包含不同的基因改变或染色体异常；

从第一组图像生成训练数据集，其中每个图像包括在体外受精后捕获的胚胎的图像且被标记有一个或多个染色体组标签，每个标签指示在所述胚胎的至少一个细胞中是否存在与相应的染色体组相关联的至少一个非整倍体，所述训练数据集包括标记有每个染色体组的图像；

从第二组图像生成测试数据集，其中每个图像包括在体外受精后捕获的胚胎的图像且被标记有一个或多个染色体组标签，每个标签指示是否存在与相应的染色体组相关联的至少一个非整倍体，所述测试数据集包括标记有每个染色体组的图像；

使用用于训练所有模型的所述训练数据集分别为每个染色体组训练至少一个染色体组AI模型，其中训练每个染色体组AI模型以识别标记有相关染色体组标签的图像中的形态特征，和/或在训练数据上训练至少一个多组AI模型，其中训练每个多组AI模型以独立识别标记有每个相关染色体组标签的图像中的形态特征，以生成关于输入图像的一个多组输出以指示在所述图像中是否存在与每个染色体组相关联的至少一个非整倍体；

使用所述测试数据集选择针对每个染色体组的最佳染色体组AI模型，或一个最佳多组AI模型；以及

部署所选择的AI模型来筛选在胚胎图像中是否存在一种或多种非整倍体。

2.如权利要求1所述的方法，其中，分别为每个染色体组训练至少一个染色体组AI模型和/或训练至少一个多组AI模型的步骤包括：训练分级分层模型，其中训练分级分层模型包括：

训练分层模型的分级序列，其中在每一层，与染色体组相关联的图像被分配第一标签并针对第二组图像进行训练，其中所述第二组图像基于质量的最大水平被分组，且在每个顺序层所述第二组图像是来自前一层中的第二组图像的子集，其质量低于所述前一层中的第二组图像的最大质量。

3.如权利要求2所述的方法，其中，训练分级分层模型包括：

为所述多个图像中的每个图像分配质量标签，其中所述质量标签集包括分级的质量标签集，该分级的质量标签集至少包括“有活力的整倍体胚胎”、“无活力的整倍体胚胎”、“不严重的非整倍体胚胎”和“严重的非整倍体胚胎”；

通过将所述训练集划分为具有“有活力的整倍体胚胎”标签的第一质量数据集和包含所有其它图像的另一个数据集来训练顶层模型，并在标记有染色体组的图像和第一质量数据集内的图像上训练模型；

依次训练一个或多个中间层模型，其中在每个中间层，从另一个数据集内选择具有带最高质量标签的标签的图像，生成下一个质量等级数据集，并在标记有所述染色体组的图像和所述下一个质量等级数据集内的图像上训练模型；以及

在标记有所述染色体组的图像和来自所述前一层的所述其它数据集内的图像上训练基础层模型。

4.如权利要求3所述的方法，其中，在为第一染色体组训练第一基础水平模型之后，对于每个其它染色体组，训练分级分层模型包括：针对用于训练所述第一基础水平模型的所述其它数据集，训练所述其它染色体组。

5.如权利要求2至4中任一项所述的方法，其中，分别为每个染色体组训练至少一个染色体组AI模型的步骤进一步包括：

为每个染色体组训练一个或多个二元模型，包括：

用“存在”标签标记所述训练集内带有与染色体组匹配的标签的图像，用“不存在”标签标记所述训练集内的所有其它图像，使用所述“存在”标签和“不存在”标签训练二元模型以生成关于输入图像的二元输出，以指示在所述图像中是否存在与所述染色体组相关联的染色体异常。

6.如权利要求2至5中任一项所述的方法，其中，所述分级分层模型均是二元模型。

7.如权利要求1-5中任一项所述的方法，其中，每个染色体组还包括多个互斥的非整倍体类别，其中所述染色体组内的非整倍体类别的概率之和为1，一个或多个所述AI模型为经过训练以估计染色体组内每个非整倍体类别的概率的多类别AI模型。