基于阶段感知与可解释机器学习的IVF着床预测研究

研究团队开发了一套阶段感知、防泄漏且可解释的机器学习框架，利用公开IVF数据集预测着床结局，并排除β-HCG以避免目标泄漏。模型在基线夫妇特征、配子与受精变量、胚胎学变量三个IVF阶段分别评估，加入胚胎学变量后性能提升最大，最终Random Forest模型在独立测试集表现良好，胚胎数量在RF、置换和SHAP分析中均为最重要预测因子。该框架尚需独立临床数据集验证后方可考虑临床使用。