{"id":27112,"date":"2026-10-09T17:13:16","date_gmt":"2026-10-09T15:13:16","guid":{"rendered":"https:\/\/www.proefschriftmaken.nl\/portfolio\/ping-cao\/"},"modified":"2026-10-31T11:37:19","modified_gmt":"2026-10-31T10:37:19","slug":"ping-cao","status":"publish","type":"us_portfolio","link":"https:\/\/www.proefschriftmaken.nl\/en\/portfolio\/ping-cao\/","title":{"rendered":"Ping Cao"},"content":{"rendered":"","protected":true},"featured_media":27113,"template":"","meta":{"_acf_changed":false},"university_us_portfolio":[23],"class_list":["post-27112","us_portfolio","type-us_portfolio","status-publish","post-password-required","hentry","university_us_portfolio-universiteit-maastricht"],"acf":{"main_text":"","naam_van_het_proefschift":"ARTIFICIAL INTELLIGENCE IN ASSISTED REPRODUCTION","samenvatting":"Met stijgende infertiliteitscijfers en aanhoudende maatschappelijke verschuivingen richting uitgesteld ouderschap, blijft de vraag naar kunstmatige voortplantingstechnieken (assisted reproductive technologies, ART) toenemen. Ondanks grote vooruitgang in in-vitro fertilisatie (IVF) blijft de kans op een levendgeborene na een enkele embryotransfer suboptimaal, namelijk ongeveer 25-30%. Het verbeteren van de effectiviteit en effici\u00ebntie van ART is daarom een belangrijk doel binnen de reproductieve geneeskunde. Recente ontwikkelingen op het gebied van kunstmatige intelligentie (AI) bieden nieuwe mogelijkheden om deze uitdagingen aan te pakken. In dit proefschrift heb ik onderzocht hoe computationele en genoombrede benaderingen kunnen bijdragen aan nauwkeurigere embryobeoordeling, verbeterde klinische workflows en beter onderbouwde besluitvorming in ART.\n\nIn Hoofdstuk 2 behandelde ik een van de belangrijkste beperkingen bij de ontwikkeling van AI voor IVF: de schaarste aan embryodatasets. Om deze beperking te overwinnen, ontwikkelde ik generatieve AI-modellen die in staat zijn om hoogwaardige synthetische blastocyst afbeeldingen te genereren. Deze afbeeldingen kunnen worden gebruikt om trainingsdatasets aan te vullen en AI-gebaseerde embryobeoordeling te verbeteren. Daarnaast bieden synthetische afbeeldingen een veelbelovende methode om zeldzame ontwikkelingsgebeurtenissen weer te geven die vaak ondervertegenwoordigd zijn in klinische datasets. In deze context kan generatieve AI de robuustheid en reproduceerbaarheid van embryobeoordelingsmodellen versterken.\n\nIn Hoofdstuk 3 onderzocht ik of grote taalmodellen (large language models, LLM\u2019s) kunnen helpen bij de analyse van medische gegevens. De resultaten toonden aan dat LLM\u2019s kunnen worden ingezet om IVF-gerelateerde klinische datasets te verwerken en de ontwikkeling van machine learning-modellen voor zwangerschapsvoorspelling te ondersteunen. Deze modellen bereikten robuuste prestaties, met een nauwkeurigheid van ongeveer 90%, en identificeerden sterke klinisch gerelateerde variabelen. Deze bevindingen suggereren dat LLM's geavanceerde data-analyse toegankelijker kunnen maken voor clinici en onderzoekers, en daarmee meer interpreteerbare en effici\u00ebnte modelleringsworkflows in de reproductieve geneeskunde kunnen ondersteunen.\n\nOmdat ART, en met name genetisch testen, complexe beslissingen omvat, is heldere communicatie met pati\u00ebnten essentieel. In Hoofdstuk 4 onderzocht ik het gebruik van LLM\u2019s om patient voorlichtingsmateriaal in de reproductieve genetica te verbeteren. Onze resultaten ondersteunen de haalbaarheid van het gebruik van deze hulpmiddelen om informatie duidelijker en begrijpelijker te maken. Belangrijk is dat het doel niet is om counseling door zorgprofessionals te vervangen, maar juist om het materiaal dat communicatie en gedeelde besluitvorming ondersteunt te versterken. Door toegankelijkere en nauwkeurigere medische informatie te bieden, kunnen AI-gebaseerde hulpmiddelen de gezondheidsvaardigheden van pati\u00ebnten verbeteren en hun autonomie tijdens de vruchtbaarheidsbehandeling vergroten.\n\nHoewel LLM\u2019s veelbelovend zijn, wordt hun toepassing in de geneeskunde beperkt door het risico op het genereren van onnauwkeurige of misleidende antwoorden. Om deze beperking aan te pakken, ontwikkelde en evalueerde ik in Hoofdstuk 5 een domeinspecifiek retrieval-augmented generation (RAG)-raamwerk. Door modeluitvoer te verankeren in geverifieerde externe kennisbronnen, verbeterde onze pijplijn de nauwkeurigheid en betrouwbaarheid van de gegenereerde resultaten aanzienlijk. Daarnaast bieden de samengestelde dataset en het kennisbestand in dit werk een waardevolle basis voor toekomstige AI-toepassingen in het vakgebied. Onze bevindingen benadrukken het potentieel van retrieval-gebaseerde AI systemen om klinische besluitvorming te ondersteunen en tegelijkertijd de last van het navigeren door steeds complexere medische kennis te verminderen.\n\nHoewel AI-gestuurde hulpmiddelen de embryobeoordeling kunnen verbeteren, verklaren ze niet volledig de biologische en genetische mechanismen die ten grondslag liggen aan implantatiefalen of miskraam. Daarom ontwikkelden en valideerden we in Hoofdstuk 6 een klinisch toepasbare workflow voor op whole-genome sequencing gebaseerde pre-implantatie genetische testen (WGS-PGT). Deze benadering integreert alle vormen van PGT in \u00e9\u00e9n enkele test, inclusief PGT op nucleair DNA en mitochondriaal DNA, die voorheen als totaal verschillende vakgebieden werden beschouwd. WGS-PGT verbeterde de analytische resolutie in uitdagende genomische regio's en complexe familiecontexten, terwijl het ook de verdeling over afzonderlijke diagnostische workflows verminderde. Als zodanig kan deze methode de schaalbaarheid, consistentie en interpreteerbaarheid van PGT in geassisteerde voortplanting verbeteren.\n\nIn Hoofdstuk 7 ontwikkelden we een nieuwe benadering, aangeduid als pre-implantatie genetische test voor aneuploidie-oorsprong (PGT-AO). In tegenstelling tot conventionele methoden maakt deze benadering onderscheid tussen meiotische en mitotische oorsprong van trisomie\u00ebn en relateert deze bevindingen aan zwangerschapsuitkomsten. Onze bevindingen suggereren dat de oorsprong van aneuploidie belangrijke klinische informatie biedt voor het voorspellen van embryo levensvatbaarheid en reproductieve uitkomsten. Dit kan helpen om het aantal afgewezen embryo\u2019s met ontwikkelingspotentieel te verminderen, terwijl ook de transfer van embryo's die waarschijnlijk niet implanteren of een hoog risico op zwangschapsverlies hebben, wordt vermeden. De klinische toepassing van dergelijke benaderingen vereist echter zorgvuldige afweging van ethiek, ge\u00efnformeerde toestemming en gelijke toegang.\n\nSamengenomen draagt dit proefschrift bij aan een beter begrip van hoe AI en genomische technologie\u00ebn de embryobeoordeling en besluitvorming in ART kunnen verbeteren. De hier gepresenteerde bevindingen bevorderen niet alleen de wetenschappelijke en klinische fundamenten van het vakgebied, maar helpen ook de weg te effenen naar nauwkeurigere en rechtvaardigere fertiliteitszorg.","summary":"With rising infertility rates and ongoing societal shifts toward delayed childbearing, the demand for assisted reproductive technologies (ART) continues to increase. Despite major advances in in vitro fertilization (IVF), the chance of achieving a live birth after a single embryo transfer remains suboptimal, at approximately 25-30%. Improving the effectiveness and efficiency of ART is therefore a major goal in reproductive medicine. Recent developments in artificial intelligence (AI) offer new opportunities to address these challenges. In this thesis, I explored how computational and genome-wide approaches can contribute to more accurate embryo assessment, improved clinical workflows, and better-informed decision-making in ART.\n\nIn Chapter 2, I addressed one of the major limitations of developing AI for IVF: the scarcity of embryo dataset. To overcome this constraint, I developed generative AI models capable of producing high-fidelity synthetic blastocyst images. These images can be used to augment training datasets and improve AI-based embryo assessment. In addition, synthetic images offer a promising method for representing rare developmental events that are often underrepresented in clinical datasets. In this context, generative AI may strengthen the robustness and reproducibility of embryo assessment models.\n\nIn Chapter 3, I investigated whether large language models (LLMs) could assist in medical data analysis. The results showed that LLMs can be used to process IVF-related clinical datasets and support the development of machine learning models for pregnancy prediction. These models achieved robust performance, with an accuracy of approximately 90%, and identified strong clinically related variables. These findings suggests that LLMs may help make advanced data analysis more accessible to clinicians and researchers, thereby supporting more interpretable and efficient modeling workflows in reproductive medicine.\n\nBecause ART particularly genetic testing involves complex decisions, clear communication with patients is essential. In Chapter 4, I explored the use of LLMs to improve patient educational materials in reproductive genetics. Our results support the feasibility of using these tools to make information clearer and more understandable. Importantly, the aim is not to replace counseling by healthcare professionals, but rather to strengthen the materials that support communication and shared decision-making. By providing more accessible and precise medical information, AI-based tools may help improve patient literacy and enhance autonomy during fertility treatment.\n\nAlthough LLMs show great promise, their application in medicine is constrained by the risk of producing inaccurate or misleading responses. To address this limitation, in Chapter 5 I developed and evaluated a domain-specific retrieval-augmented generation (RAG) framework. By grounding model outputs in verified external knowledge sources, our pipeline substantially improved the accuracy and reliability of generated outputs. Additionally, the curated dataset and knowledge corpus in this work provide a valuable foundation for future AI applications in the field. Our findings highlight the potential of retrieval-based AI systems to support clinical decision-making while reducing the burden of navigating increasingly complex medical knowledge.\n\nWhile AI-driven tools can improve embryo assessment, they do not fully explain the biological and genetic mechanisms underlying implantation failure or miscarriage. Therefore, in Chapter 6 we developed and validated a clinical-grade workflow for whole-genome sequencing-based preimplantation genetic testing (WGS-PGT). This approach integrates all forms of PGT into a single assay, including PGT on nuclear DNA and mitochondrial DNA that were perceived previously as totally different fields. WGS-PGT improved analytical resolution in challenging genomic regions and complex family contexts, while also reducing fragmentation across separate diagnostic workflows. As such, this method may enhance the scalability, consistency, and interpretability of PGT in assisted reproduction.\n\nIn Chapter 7, we developed a new approach, termed preimplantation genetic testing for aneuploidy origin (PGT-AO). In contrast to conventional methods, this approach distinguishes between meiotic and mitotic origins of trisomies and relates these findings to pregnancy outcomes. Our findings suggest that the origin of aneuploidy provides important clinical information for predicting embryo viability and reproductive outcomes. This may help reduce the number of discarded embryos with developmental potential while also avoiding the transfer of embryos that are unlikely to implant or are at high risk of pregnancy loss. However, the clinical application of such approaches requires careful consideration of ethics, informed consent, and equitable access.\n\nTaken together, this thesis contributes to a better understanding of how AI and genomic technologies can improve embryo assessment and decision-making in ART. The findings presented here not only advance the scientific and clinical foundations of the field, but also help pave the way for more precise and equitable fertility care.","auteur":"Ping Cao","auteur_slug":"ping-cao","publicatiedatum":"9 november 2026","taal":"EN","url_flipbook":"https:\/\/ebook.proefschriftmaken.nl\/ebook\/pingcao?iframe=true","url_download_pdf":"https:\/\/ebook.proefschriftmaken.nl\/download\/14ec3e2a-e1c1-4c08-bb1d-dfde1f4c4748\/highres","url_epub":"","ordernummer":"19491","isbn":"978-94-6534-675-5","doi_nummer":"","naam_universiteit":"Universiteit Maastricht","afbeeldingen":27113,"video_url":"","podcast_url":"","naam_student:":"","binnenwerk":"","universiteit":"Universiteit Maastricht","cover":"","afwerking":"","cover_afwerking":"","design":""},"_links":{"self":[{"href":"https:\/\/www.proefschriftmaken.nl\/en\/wp-json\/wp\/v2\/us_portfolio\/27112","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.proefschriftmaken.nl\/en\/wp-json\/wp\/v2\/us_portfolio"}],"about":[{"href":"https:\/\/www.proefschriftmaken.nl\/en\/wp-json\/wp\/v2\/types\/us_portfolio"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.proefschriftmaken.nl\/en\/wp-json\/wp\/v2\/media\/27113"}],"wp:attachment":[{"href":"https:\/\/www.proefschriftmaken.nl\/en\/wp-json\/wp\/v2\/media?parent=27112"}],"wp:term":[{"taxonomy":"university_us_portfolio","embeddable":true,"href":"https:\/\/www.proefschriftmaken.nl\/en\/wp-json\/wp\/v2\/university_us_portfolio?post=27112"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}