具体实施方式

下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。

实施例一

图1为本发明实施例一提供的一种胚胎整倍性预测方法的流程图，本实施例可适用于对胚胎整倍性进行预测的情况，尤其适用于人类辅助生殖技术中对体外受精胚胎进行移植的情况。该方法可以由本发明实施例提供的胚胎整倍性预测装置来执行，该装置可以采用软件和/或硬件的方式实现，并可集成在电子设备上。

具体的，如图1所示，本发明实施例提供的胚胎整倍性预测方法，可以包括如下步骤：

S110、获取胚胎发育动力学参数和辅助参数；其中，胚胎发育参数包括胚胎发育早期动力学参数和胚胎发育晚期动力学参数；辅助参数包括患者基本临床特征、促排记录、胚胎异常分裂模式、囊胚评分和雌雄原核并置时的位置。

其中，胚胎发育早期动力学参数，包括：以授精时间为起点，第二极体排出时间(tPB2)，原核出现时间(tPNa)，原核消失时间(tPNf)，发育至2细胞的时间(t2)，发育至3细胞的时间(t3)，发育至4细胞的时间(t4)，发育至5细胞的时间(t5)，发育至6细胞的时间(t6)，发育至7细胞的时间(t7)，发育至8细胞的时间(t8)，第二、三个细胞周期间隔时间分别为cc2(t3-t2)和cc3(t5-t3)，标志第二、三次细胞分裂同步性指标分别为s2(t4-t3)和s3(t8-t5)。

胚胎发育晚期动力学参数，包括：开始致密化的时间(tC)，形成桑椹胚时间(tM)，形成囊胚时间(tSB)，囊胚孵出时间(tHB)，囊胚孵出与囊胚形成时间间隔(tHB-tSB)。

患者基本临床特征包括如下至少一种：不孕原因、女方出生年月、女方身体质量指数(Body Mass Index,BMI)、基础雌二醇(E2)、基础P4、基础促黄体生成激素(luteinizinghormone,LH)、基础促卵泡生成激素(Follicle-stimulating hormone,FSH)、男方出生年月、精子量、精子密度、精子总数、精子存活率、精子正常形态率、向前运动精子率、非向前运动精子率、不活动精子率等。其中，不孕原因包括如下至少一种：携带遗传性致病基因、不明原因反复移植失败、不明原因反复自然流产、女方高龄、严重畸精子症、有染色体异常胎儿妊娠史。

促排记录，即患者促排卵及胚胎情况，包括：促性腺激素(gonadotropins，Gn)用量、Gn天数、促排周期、卵泡数(>10mm)、获卵数、成熟卵子数、受精卵子数、第3天有效胚胎数、可用囊胚数和促排方案。

胚胎异常分裂模式，包括：2细胞时是否有多个原核；2细胞时发生多核的卵裂球数；2细胞时碎片是否占比百分之25以上；2细胞时碎片所占百分比；是否发生1细胞直接分裂成3细胞或3细胞以上；是否发生2细胞大小不均(相差25％以上)；是否发生4细胞大小不均(相差25％以上)；逆分裂。

囊胚评分，则包括：根据临床常用的评分标准，将囊胚内细胞团和滋养层细胞评为A、B、C级，及形成5级囊胚的天数。

本实施例中，根据临床记录采集患者基本临床特征和促排记录，利用实时形态动力学监测(time-lapse)系统中的时差培养箱服务器(EmbryoViewer)软件记录胚胎发育过程中的参数，即胚胎发育早期动力学参数、胚胎发育晚期动力学参数、胚胎异常分裂模式和囊胚评分。其中，胚胎发育过程中的参数，还可以包括：根据tPB2、tPNa、tPNf、t2、t3、t4、t5、t6、t7、t8、tC、tM、tSB、tHB及内细胞团和滋养层细胞评分，EmbryoViewer软件给出的机器评分(KIDscore)。

现有技术中直接通过形态学观察对胚胎进行质量评估，即在第一天(day1)、第三天(day3)、和第五天(day5)/第六天(day6)对胚胎形态进行观察和打分。事实上，细胞每20分钟就可能自动分裂一次，因此，该方法并不是掌握实际动态发育情况的最佳手段。只有对胚胎进行密集型观察，才能真实有效地掌握胚胎的实际发育过程。本实施例中用到的time-lapse系统能够实时捕捉胚胎发育的动态图像，通过从卵母细胞到囊胚的发育过程，提供包括细胞形态动力学定量、卵裂模式等多项指标在内的丰富而准确的信息，并能保证发育过程中胚胎环境的稳定。

S120、将胚胎发育动力学参数和辅助参数输入胚胎整倍性预测模型，得到胚胎整倍性预测结果。

其中，胚胎整倍性预测模型用于根据获取的胚胎发育动力学参数和辅助参数采集，预测胚胎的整倍性，输入为获取的胚胎发育动力学参数和辅助参数，输出为对应的胚胎整倍性预测结果。

由于胚胎早期动力学参数以及胚胎发育晚期动力学参数有时间序列的特征，可以显示出胚胎变化的趋势，且部分差的胚胎动力学参数空缺值较多，空缺值也隐含着胚胎的质量信息，因此构建长短期记忆(Long Short-Term Memory，LSTM)网络。通过LSTM网络模型对胚胎发育动力学参数进行特征提取，得到胚胎语义信息。再将胚胎语义信息和辅助参数输入胚胎整倍性预测模型中的预测分类器，得到胚胎整倍性预测结果。

为了提高预测的效率，在一个可选的实施方式中，将胚胎语义信息和辅助参数输入胚胎整倍性预测模型中的预测分类器，得到胚胎整倍性预测结果，包括：将胚胎语义信息和辅助参数输入同一个预测分类器，得到胚胎整倍性预测结果。

为了提高预测的准确性，在另一个可选的实施方式中，胚胎整倍性预测模型中可以包括三个预测分类器，分别为第一预测分类器、第二预测分类器和第三预测分类器。将胚胎发育动力学参数和辅助参数输入胚胎整倍性预测模型，得到胚胎整倍性预测结果，包括：将胚胎语义信息输入胚胎整倍性预测模型中的第一预测分类器；将辅助参数输入胚胎整倍性预测模型中的第二预测分类器；将胚胎语义信息和辅助参数输入胚胎整倍性预测模型中的第三预测分类器；对第一预测分类器、第二预测分类器和第三预测分类器进行评估，确定最优预测分类器；通过最优预测分类器，确定胚胎整倍性预测结果。

本实施例的技术方案，通过获取胚胎发育动力学参数和辅助参数；其中，胚胎发育参数包括胚胎发育早期动力学参数和胚胎发育晚期动力学参数；辅助参数包括患者基本临床特征、促排记录、胚胎异常分裂模式、囊胚评分和雌雄原核并置时的位置；将胚胎发育动力学参数和辅助参数输入胚胎整倍性预测模型，得到胚胎整倍性预测结果，大大提高了胚胎植入前无创整倍性评估效率。对于具备PGT指征的患者而言，通过本方案可实现胚胎的无创预测；对于不满足PGT指征从而无法进行PGT检测的患者而言，通过本方案可以进行整倍性预测，以增加整倍体胚胎的选择概率，提高怀孕成功率。因此，具有重要的临床应用价值。

实施例二

图2为本发明实施例二提供的一种胚胎整倍性预测方法的流程图，该方法在上述实施例的基础上进一步的优化，给出了如何生成胚胎整倍性预测模型的具体情况介绍。

具体的，如图2所示，该方法包括：

S210、获取胚胎发育动力学参数和辅助参数；其中，胚胎发育参数包括胚胎发育早期动力学参数和胚胎发育晚期动力学参数；辅助参数包括患者基本临床特征、促排记录、胚胎异常分裂模式、囊胚评分和雌雄原核并置时的位置。

S220、根据胚胎发育动力学参数和辅助参数，建立具有胚胎整倍性检测结果的数据集，并从数据集中划分出训练集。

对于获取的胚胎发育动力学参数和辅助参数，加上PGT检测的整倍性检测结果，构建整个数据集。对数据集进行预处理，分类变量进行哑变量处理，次序变量进行编号处理后，将整个数据集拆分为训练集和测试集。将训练集作为输入传入模型，模型通过已知的胚胎植入前遗传学检测的结果进行训练，并不断调试模型参数，提高训练集预测整倍性的准确率，之后通过测试集来评估分类模型的性能。

由于胚胎早期动力学参数以及胚胎发育晚期动力学参数有时间序列的特征，可以显示出胚胎变化的趋势，因此构建LSTM网络。从训练集中随机挑选若干样本训练LSTM模型，LSTM模型重新拆分训练集和验证集。在优化过程中，可以采用二元交叉熵作为模型的损失函数，采用初始学习率0.001的Adam算法进行优化，通过验证集上的损失调整模型的超参数。模型训练完毕后，LSTM模型的参数固定。需要说明的是，本实施例中的损失函数和优化算法的设置不限于此，可以根据实际情况进行调整。

除去训练集中随机挑选的若干用于训练LSTM模型的训练集，将剩余的训练集进行类别预测。通过LSTM早期的层提取特征，作为神经网络输出的高级信息抽象，即胚胎语义信息。将胚胎语义信息和辅助参考信息作为输入，建立胚胎整倍性预测模型，胚胎整倍性预测模型通过已知的PGT检测的整倍性检测结果进行训练，并不断调试模型参数，提高训练集预测整倍性的准确率，之后通过拆分的测试集来评估模型的性能。

为了提高预测的效率，在一个可选的实施方式中，将胚胎语义信息和辅助参考信息作为输入，建立胚胎整倍性预测模型，包括：将胚胎语义信息和辅助参数的融合信息作为输入，确定胚胎整倍性预测模型中的预测分类器。

为了提高预测的准确性，在另一个可选的实施方式中，胚胎整倍性预测模型中可以包括三个预测分类器，分别为第一预测分类器、第二预测分类器和第三预测分类器。将胚胎语义信息和辅助参考信息作为输入，建立胚胎整倍性预测模型，包括：将胚胎语义信息作为输入，确定胚胎整倍性预测模型中的第一预测分类器；将辅助参数作为输入，确定胚胎整倍性预测模型中的第二预测分类器；将胚胎语义信息和辅助参数的融合信息作为输入，确定胚胎整倍性预测模型中的第三预测分类器；对第一预测分类器、第二预测分类器和第三预测分类器进行评估，确定最优预测分类器；确定最优预测分类器为胚胎整倍性预测模型中的最终预测分类器。

S230、根据加权的训练集训练每个基本分类器，得到每个基本分类器的权重。

其中，加权的训练集中，权重代表每个训练样本在基本分类器中的学习作用；基本分类器，用于构建胚胎整倍性预测模型中预测分类器；基本分类器的权重则反映了当前基本分类器在预测分类器中的重要性。

根据加权的训练集训练每个基本分类器，得到每个基本分类器的权重，包括：若训练迭代次数小于或等于迭代次数阈值，则计算每个基本分类器在加权的训练集上的分类误差率；根据每个基本分类器的分类误差率，确定每个基本分类器的权重；根据加权的训练集和每个基本分类器的权重，更新加权的训练集的权重。

S240、根据每个基本分类器及其权重，构建预测分类器，确定胚胎整倍性预测模型。

确定每个基本分类器及其权重后，将各个基本分类器线性组合确定预测分类器。具体的，可以根据每个基本分类器及其权重，构建预测分类器，从而确定胚胎整倍性预测模型。

S250、将胚胎发育动力学参数和辅助参数输入胚胎整倍性预测模型，得到胚胎整倍性预测结果。

本实施例的技术方案，通过获取胚胎发育动力学参数和辅助参数；根据胚胎发育动力学参数和辅助参数，建立具有胚胎整倍性检测结果的数据集，并从数据集中划分出训练集；根据训练集训练每一个基本分类器，确定各个基本分类器及其权重；根据每个基本分类器及其权重，构建预测分类器，确定胚胎整倍性预测模型。通过本实施例得到的胚胎整倍性预测模型，可以得到胚胎整倍性预测结果，大大提高了胚胎植入前无创整倍性评估效率。对于具备PGT指征的患者而言，可实现胚胎的无创预测；对于不满足PGT指征从而无法进行PGT检测的患者而言，通过本方案可以进行整倍性预测，以增加整倍体胚胎的选择概率，提高怀孕成功率。因此，具有重要的临床应用价值。

实施例三

图3为本发明实施例三提供的胚胎整倍性预测模型的训练流程图，该方法在上述实施例的基础上进一步的优化，给出了如何训练及测试胚胎整倍性预测模型的具体情况介绍。

训练胚胎整倍性预测模型的流程如下：

1、设置模型迭代最大次数和每个基本分类器的权重缩减系数；

2、确定基本分类器为决策树桩(decision stump)；

3、初始化训练数据的权重分布，假设训练数据集具有均匀的权重分布，即每个训练样本在基本分类器中的学习中作用相同：

4、反复学习基本分类器，在每一轮迭代时m＝1,2,…,M顺次地执行下列操作：

(1)使用当前分布加权D_m的训练数据集，学习基本分类器G_m(x)；

(2)计算基本分类器G_m(x)在加权训练数据集上的分类误差率；

(3)计算基本分类器G_m(x)的权重，其表示当前基本分类器在最终分类器中的重要性；

(4)更新训练数据集的权值和分布；

D_m+1＝(w_m+1，1，，W_m+1，i，W_m+1，N)

其中，Z_m是规范化因子，使得D_m+1成为一个概率分布

由此可知，被基本分类器误分类样本的权值得以扩大，而被正确分类样本的权值得以缩小。因此，误分类样本在下一轮学习中起到更大的作用。不改变所给的训练数据，而不断改变训练数据权值的分布，使得训练数据在基本分类器中的学习中起不同的作用，这个本算法的一个特点。

5、构建基本分类器的线性组合

得到最终分类器

f(x)的符号表示基本分类器的重要性，f(x)的绝对值表示分类的精确度。利用基本分类器的线性组合构建最终分类器是本算法的另一特点。

测试胚胎整倍性预测模型的流程如下：

1、每次迭代后，返回当前模型训练集数据的预测值，同时返回当前模型在测试集上的预测值；

2、分别计算每次迭代时训练集和测试集的预测值与真实值的错误率；

3、绘制训练集和测试集的错误率曲线，分析模型迭代效果；

4、绘制最终模型在测试集上的接受者操作特性曲线(receiver operatingcharacteristic curve，ROC)曲线，评估模型分类性能。

实施例四

图4是本发明实施例四所提供的一种胚胎整倍性预测装置的结构示意图，该装置适用于执行本发明实施例提供的胚胎整倍性预测方法，可以解决现有技术中预测胚胎整倍性时操作复杂、周期长、成本高、有创且人工误差大的问题，实现快速、无创、安全、可靠预测胚胎整倍性的效果。如图4所示，该装置包括参数获取模块410、整倍性预测模块420。

其中，参数获取模块410，用于获取胚胎发育动力学参数和辅助参数；其中，胚胎发育参数包括胚胎发育早期动力学参数和胚胎发育晚期动力学参数；辅助参数包括患者基本临床特征、促排记录、胚胎异常分裂模式、囊胚评分和雌雄原核并置时的位置；

整倍性预测模块420，用于将胚胎发育动力学参数和辅助参数输入胚胎整倍性预测模型，得到胚胎整倍性预测结果。

本实施例的技术方案，通过获取胚胎发育动力学参数和辅助参数；其中，胚胎发育参数包括胚胎发育早期动力学参数和胚胎发育晚期动力学参数；辅助参数包括患者基本临床特征、促排记录、胚胎异常分裂模式、囊胚评分和雌雄原核并置时的位置；将胚胎发育动力学参数和辅助参数输入胚胎整倍性预测模型，得到胚胎整倍性预测结果，大大提高了胚胎植入前无创整倍性评估效率。对于具备PGT指征的患者而言，通过本方案可实现胚胎的无创预测；对于不满足PGT指征从而无法进行PGT检测的患者而言，通过本方案可以进行整倍性预测，以增加整倍体胚胎的选择概率，提高怀孕成功率。因此，具有重要的临床应用价值。

优选的，上述整倍性预测模块420包括：语义提取单元和整倍性预测单元。其中，语义提取单元，用于通过长短期记忆网络模型对胚胎发育动力学参数进行特征提取，得到胚胎语义信息；整倍性预测单元，用于将胚胎语义信息和辅助参数输入胚胎整倍性预测模型中的预测分类器，得到胚胎整倍性预测结果。

优选的，装置还包括：训练集划分模块、权重获取模块和分类器构建模块。其中，训练集划分模块，用于根据胚胎发育动力学参数和辅助参数，建立具有胚胎整倍性检测结果的数据集，并从数据集中划分出训练集；权重获取模块，用于根据加权的训练集训练每个基本分类器，得到每个基本分类器的权重；分类器构建模块，用于根据每个基本分类器及其权重，构建预测分类器，确定胚胎整倍性预测模型。

优选的，上述权重获取模块具体包括：误差率计算单元、权重确定单元和权重更新单元。其中，或等于迭代次数阈值，则计算每个基本分类器在加权的训练集上的分类误差率；权重确定单元，用于根据每个基本分类器的分类误差率，确定每个基本分类器的权重；权重更新单元，用于根据加权的训练集和每个基本分类器的权重，更新加权的训练集的权重。

本发明实施例所提供的胚胎整倍性预测装置可执行本发明任意实施例所提供的胚胎整倍性预测方法，具备执行方法相应的功能模块和有益效果。

实施例五

图5为本发明实施例五提供的一种电子设备的结构示意图。图5示出了适于用来实现本发明实施方式的示例性电子设备12的框图。图5显示的电子设备12仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图5所示，电子设备12以通用计算设备的形式表现。电子设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件(包括系统存储器28和处理单元16)的总线18。

总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MCA)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。

电子设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被电子设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。

系统存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)30和/或高速缓存存储器32。电子设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(图5未显示，通常称为“硬盘驱动器”)。尽管图5中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。系统存储器28可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。

具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如系统存储器28中，这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。

电子设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户能与该电子设备12交互的设备通信，和/或与使得该电子设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且，电子设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器20通过总线18与电子设备12的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的胚胎整倍性预测方法。

实施例六

本发明实施例六还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本申请任意发明实施例提供的胚胎整倍性预测方法。

本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络包括局域网(LAN)或广域网(WAN)连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。