[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

说明书

使用基于人工智能(AI)的计算系统，在植入前非侵入性地估计在胚胎图像中是否存在一系列非整倍体和镶嵌体。具有相似不良结果风险的非整倍体和镶嵌体被分组，用它们的组标记训练图像。使用相同的训练数据集为每个组训练单独的AI模型，然后，例如通过使用系综或蒸馏方法将各单独的模型组合起来，以开发可以识别广泛的非整倍体风险和镶嵌风险的模型。通过训练多个模型(包括二元模型、分级分层模型和多类别模型)生成针对一个组的AI模型。具体地，分级分层模型是通过将质量标签分配给图像来生成的。在每一层，训练集被划分成质量最好的图像和其它图像。该层的模型在质量最好的图像上进行训练，其它图像被传递到下一层并重复该过程(于是，剩余的图像被分成下一个质量最好的图像和其它图像)。然后，最终模型可用于在植入前从胚胎图像非侵入性地识别非整倍体和镶嵌体以及相关联的不良后果风险。

优先权文件

本申请要求2019年9月25日提交的发明名称为“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(Method and System for Performing Non-invasiveGenetic Testing Using an Artificial Intelligence(AI)Model)”的澳大利亚临时专利申请第2019903584号的优先权，其全部内容通过引用合并于此。

技术领域

本公开涉及人工智能(AI)，包括基于计算机视觉和深度学习的图像分类。在特定形式中，本发明涉及用于非侵入性地识别用于体外受精(IVF)的胚胎中的非整倍体的计算AI方法。

背景技术

人体细胞包含23对染色体(共46条)，除非受到不利影响，例如辐射或遗传条件/先天性疾病造成的细胞损伤。在这些情况下，一条或多条染色体可能被全部或部分地改变。这可能会对胚胎发育产生广泛和长期(持续到成年的)的健康影响，了解患者是否表现出这种染色体异常或者是染色体变异的携带者(使他们的孩子易患这种疾病)以便他们得到充分的治疗具有重要的价值。虽然准父母可能有一种或多种遗传倾向，但无法提前预测后代是否会实际表现出一种或多种遗传学异常。

一种常用的辅助生殖技术(ART)是测试胚胎、受精后和进行基因测序，以评估胚胎的基因健康状况，并将其分类为“整倍体”(遗传学正常)或“非整倍体”(表现出基因改变)。

这种筛选技术在IVF过程(胚胎在体外受精，并在受精后大约3到5天重新植入准妈妈体内)中尤为重要。这通常是患者在与IVF医生协商后做出的决定，作为协助诊断这对夫妇经历的潜在生育并发症或早期诊断任何疾病风险并进行选择以预防它们的过程的一部分。

这种筛查过程，被称为植入前遗传学筛查(PGS)，或植入前非整倍体基因检测(PGT-A)，具有许多使其不够理想的特征，但是，目前在生育行业中它仍然是获取胚胎遗传信息的最可行的选项。

进行PGT-A的最大风险因素是该测试具有高度侵入性，因为通常需要从发育中的胚胎中去除少量细胞(使用一系列活检技术中的一种)才能进行测试。这种技术对胚胎发育的长期影响是不确定的，也没有被完全表征。而且，所有接受PGT-A的胚胎都需要往返于进行活检的实验室，并且需要在诊所延迟数天或数周才能收到结果。这意味着“怀孕时间”(IVF治疗成功的重要衡量指标)被延长，而且所有此类胚胎都必须经过冷冻。由于近年来玻璃化冷冻等现代冷冻技术在胚胎存活率方面与“慢速冷冻”相比有了显著提高，因此现在许多IVF诊所都采用这种技术，即使在进行PGT-A的情况下也是如此。这背后的逻辑是允许准妈妈的激素水平在刺激过度排卵后重新均衡，以增加胚胎着床的可能性。

目前尚不清楚现代玻璃化技术是否对胚胎有害。由于玻璃化技术和PGT-A的流行和广泛接受的使用，特别是在美国，PGT-A被作为常规进行，大多数胚胎都经历了这个过程并为诊所和患者获取遗传数据。