一种基于机器学习的方法，用于解释在自体ICSI（ intracytoplasmic sperm injection，卵胞浆内单精子注射）周期中实现活产的关键决定因素

《Journal of Assisted Reproduction and Genetics》：A machine learning–assisted approach to explain key determinants for achieving live birth in autologous ICSI cycles

可解释机器学习模型通过SHAP值分析在辅助生殖技术（ART）中预测活产率，优化了梯度提升等5种算法，筛选出16个临床相关预测变量，验证了决策树模型对非线性数据分布的捕捉能力。

　　

摘要

目的

一种可解释的机器学习辅助方法能否揭示数据和预测趋势，从而选择在自体ICSI周期中实现活产的最透明模型？

设计

一项回顾性多中心队列研究（2011年1月至2023年12月）共纳入了8,066名患者。研究仅包括使用新鲜卵子和供体或患者精子（新鲜或冷冻）的单次自体ICSI周期。从电子病历中评估了47个治疗前和周期内的变量作为潜在预测因子。应用了五种机器学习（ML）算法来选择完成周期后活产的最有预测力的变量。通过基于SHAP值的可解释性方法，探讨了这些算法的决策过程。

结果

数据驱动的方法优化了五个ML模型，使其性能达到最佳，平均AUC为88.9±0.5%，平衡准确率为80.3±0.5%，精确率为89.1±4.1%，敏感性为66.1±3.3%，平均F1分数为0.757±0.009。SHAP值和多重共线性分析在所有五种算法中选出了16个具有临床意义的变量作为活产的重要预测因子，且不会影响模型性能。可解释的ML方法能够揭示模型的决策过程，并表明基于决策树的模型，特别是梯度提升分类器，能够捕捉到这16个预测变量的非线性SHAP重要性分布，同时反映了当前的临床知识。

结论

在辅助生殖技术（ART）周期中应用可解释的ML辅助方法进行活产预测，有助于揭示潜在的数据趋势，从而帮助ART专业人员选择最佳模型，为患者提供更透明和更明智的护理。