論文の概要: Data-Driven Prediction of Embryo Implantation Probability Using IVF
Time-lapse Imaging
- arxiv url: http://arxiv.org/abs/2006.01035v2
- Date: Tue, 2 Jun 2020 14:02:44 GMT
- ステータス: 翻訳完了
- システム内更新日: 2022-11-26 06:23:14.520301
- Title: Data-Driven Prediction of Embryo Implantation Probability Using IVF
Time-lapse Imaging
- Title(参考訳): IVF Time-lapse Imaging を用いた胚移植確率の予測
- Authors: David H. Silver, Martin Feder, Yael Gold-Zamir, Avital L. Polsky,
Shahar Rosentraub, Efrat Shachor, Adi Weinberger, Pavlo Mazur, Valery D.
Zukin, Alex M. Bronstein
- Abstract要約: 本稿では,胚発生時間ラプス画像から胚移植の確率を直接予測するために訓練された新しいデータ駆動システムについて述べる。
回顧的に収集した272個の胚のビデオを用いて, 胚学者の外部パネルと比較すると, 正の予測値が12%, 負の予測値が29%増加した。
- 参考スコア(独自算出の注目度): 4.823616680520791
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The process of fertilizing a human egg outside the body in order to help
those suffering from infertility to conceive is known as in vitro fertilization
(IVF). Despite being the most effective method of assisted reproductive
technology (ART), the average success rate of IVF is a mere 20-40%. One step
that is critical to the success of the procedure is selecting which embryo to
transfer to the patient, a process typically conducted manually and without any
universally accepted and standardized criteria. In this paper we describe a
novel data-driven system trained to directly predict embryo implantation
probability from embryogenesis time-lapse imaging videos. Using retrospectively
collected videos from 272 embryos, we demonstrate that, when compared to an
external panel of embryologists, our algorithm results in a 12% increase of
positive predictive value and a 29% increase of negative predictive value.
- Abstract(参考訳): 不妊に苦しむ人を助けるため、体外で人間の卵を受精させる過程は、in vitro fertilization (IVF)として知られている。
ART(assisted reproductive technology)の最も効果的な方法であるにもかかわらず、IVFの平均成功率は20-40%に過ぎない。
手順の成功に重要なステップの1つは、どの胚を患者に移植するかを選択することである。
本稿では,胚発生時間ラプス画像から胚移植確率を直接予測する新しいデータ駆動システムについて述べる。
回顧的に収集した272個の胚のビデオを用いて, 胚学者の外部パネルと比較すると, 正の予測値が12%, 負の予測値が29%増加した。
関連論文リスト
- Targeted Data Fusion for Causal Survival Analysis Under Distribution Shift [46.84912148188679]
因果推論は、科学的発見の一般化可能性、輸送性、複製性を改善する可能性がある。
既存のデータ融合手法はバイナリや連続的な結果に重点を置いている。
マルチソース因果サバイバル分析のための2つの新しい手法を提案する。
論文 参考訳(メタデータ) (2025-01-30T23:21:25Z) - ILETIA: An AI-enhanced method for individualized trigger-oocyte pickup interval estimation of progestin-primed ovarian stimulation protocol [19.462250530822907]
体外受精胚移植(IVF-ET)は不妊症に対する最も一般的な治療法の1つである。
IVF-ETサイクルの間、トリガーショットと卵子ピックアップ(OPU)の時間間隔は卵胞成熟の重要な期間である。
本稿では,プロゲシンプリメード卵巣刺激(PPOS)プロトコルを施行した患者に対して,最適なトリガ-OPU間隔を予測できる最初の機械学習手法であるILETIAを提案する。
論文 参考訳(メタデータ) (2025-01-25T08:08:17Z) - A Foundational Generative Model for Breast Ultrasound Image Analysis [42.618964727896156]
基礎モデルは臨床現場で様々な課題に対処するための強力なツールとして登場した。
乳房超音波検査に特化して設計された最初の基礎的生成モデルであるBUSGenについて述べる。
BUSGenは、数ショットの適応で、現実的で情報に富んだタスク固有のデータのリポジトリを生成することができる。
論文 参考訳(メタデータ) (2025-01-12T16:39:13Z) - Merging synthetic and real embryo data for advanced AI predictions [69.07284335967019]
我々は、作成した2つのデータセットを用いて、2つの生成モデルをトレーニングし、既存の1つのデータセットを使用して、様々な細胞レベルで合成胚画像を生成する。
これらは実画像と組み合わせて、胚細胞ステージ予測のための分類モデルを訓練した。
その結果,実データと合成画像を組み合わせることで分類性能が向上し,実データのみをトレーニングした場合の94.5%に比べて97%の精度が得られた。
論文 参考訳(メタデータ) (2024-12-02T08:24:49Z) - Multimodal Learning for Embryo Viability Prediction in Clinical IVF [24.257300904706902]
In-Vitro Fertilization (IVF) では、妊娠成功の可能性を高めるために、最も生存可能な胚を同定することが重要である。
伝統的に、このプロセスは胚学者が光顕微鏡を用いて、特定の間隔で胚の静的な形態的特徴を手動で評価することを含む。
この手作業による評価は、専門的な分析を必要とするため、時間集約的でコストがかかるだけでなく、本質的に主観的でもあるため、選択プロセスにおける可変性がもたらされる。
論文 参考訳(メタデータ) (2024-10-21T01:58:26Z) - Integrating Deep Learning with Fundus and Optical Coherence Tomography for Cardiovascular Disease Prediction [47.7045293755736]
心血管疾患(CVD)のリスクのある患者の早期発見は、効果的な予防ケア、医療負担の軽減、患者の生活の質の向上に不可欠である。
本研究は、網膜光コヒーレンス断層撮影(OCT)と眼底写真との併用による、将来の心疾患の特定の可能性を示すものである。
そこで我々は,MCVAE(Multi- Channel Variational Autoencoder)に基づく新たなバイナリ分類ネットワークを提案し,患者の眼底画像とOCT画像の潜伏埋め込みを学習し,個人を将来CVDを発症する可能性のあるものとそうでないものとの2つのグループに分類する。
論文 参考訳(メタデータ) (2024-10-18T12:37:51Z) - Localizing Scan Targets from Human Pose for Autonomous Lung Ultrasound
Imaging [61.60067283680348]
新型コロナウイルス(COVID-19)の世界的なパンデミックの出現に伴い、超音波画像を完全に自動化する必要がある。
本稿では,学習型コンピュータビジョン技術を取り入れた,視覚に基づくデータ駆動方式を提案する。
本手法は、プローブ位置決めのための15.52mm(9.47mm)、プローブ方位のための4.32(3.69deg)の精度を達成し、全走査目標に対する誤差閾値25mm以下で成功率を80%以上とした。
論文 参考訳(メタデータ) (2022-12-15T14:34:12Z) - Corneal endothelium assessment in specular microscopy images with Fuchs'
dystrophy via deep regression of signed distance maps [48.498376125522114]
本稿では,UNetをベースとしたセグメンテーション手法を提案する。
これは、フックスのジストロフィーの全度にわたって、信頼できるCE形態計測と腸骨同定を実現する。
論文 参考訳(メタデータ) (2022-10-13T15:34:20Z) - A Knowledge-Based Decision Support System for In Vitro Fertilization
Treatment [21.593716703698256]
本報告では,IVF 治療サイクルにおける患者訪問に対する治療プロトコルおよび治療適応に関する医療アドバイスを提供する知識ベース意思決定支援システムを提案する。
本システムは,電子カルテシステムに簡単に組み込むことができる,データ処理と軽量化に効率的である。
論文 参考訳(メタデータ) (2022-01-27T20:30:52Z) - Open-Set Recognition of Breast Cancer Treatments [91.3247063132127]
オープンセット認識は、テストサンプルをトレーニングや"未知"から既知のクラスの1つに分類することで、分類タスクを一般化する
乳がん患者データに対して,画像データセットの最先端結果を実現するガウス混合変分オートエンコーダモデルを適用した。
より正確でロバストな分類結果が得られ,F1の平均値が24.5%上昇したばかりでなく,臨床環境への展開性の観点からも,オープンセット認識の再検討を行った。
論文 参考訳(メタデータ) (2022-01-09T04:35:55Z) - Developmental Stage Classification of EmbryosUsing Two-Stream Neural
Network with Linear-Chain Conditional Random Field [74.53314729742966]
発達段階分類のための2ストリームモデルを提案する。
従来の手法とは異なり、2ストリームモデルでは時間情報と画像情報の両方を受け付けている。
2つのタイムラプス胚ビデオデータセット上で,本アルゴリズムを実証する。
論文 参考訳(メタデータ) (2021-07-13T19:56:01Z) - Ethical Implementation of Artificial Intelligence to Select Embryos in
In Vitro Fertilization [41.52637932108825]
我々はIVFの紹介を行い、胚選択のためのAIの使用をレビューします。
本稿では, 報告結果の科学的, 実用的観点からの解釈に関する懸念について考察する。
我々は解釈可能なモデルの使用を強く主張する。
論文 参考訳(メタデータ) (2021-04-30T19:46:31Z) - Robust and generalizable embryo selection based on artificial
intelligence and time-lapse image sequences [0.0]
経時変化画像のみを用いた深層学習に基づく胚選択モデルが、患者年齢や臨床条件によってどのように機能するかを検討する。
このモデルは、115,832個の胚からなる18のIVFセンターからの大規模なデータセットに基づいて訓練および評価された。
完全自動化されたiDAScore v1.0モデルは、少なくとも最先端の手動胚選択モデルと同じくらいの性能を示した。
論文 参考訳(メタデータ) (2021-03-12T13:36:30Z) - Human Blastocyst Classification after In Vitro Fertilization Using Deep
Learning [0.0]
本研究は、1226個の胚の合計1084枚の画像を含む。
これらの画像は、胚を1から5に区別するヴェエック基準に基づいてラベル付けされ、破片の大きさと断片化の程度に基づいて評価された。
データセット上でトレーニング済みのResNet50を微調整することによる最良のモデルでは、91.79%の精度が得られます。
論文 参考訳(メタデータ) (2020-08-28T04:40:55Z) - Appearance Learning for Image-based Motion Estimation in Tomography [60.980769164955454]
トモグラフィー画像では、取得した信号に擬似逆フォワードモデルを適用することにより、解剖学的構造を再構成する。
患者の動きは、復元過程における幾何学的アライメントを損なうため、運動アーティファクトが生じる。
本研究では,スキャン対象から独立して剛性運動の構造を認識する外観学習手法を提案する。
論文 参考訳(メタデータ) (2020-06-18T09:49:11Z) - Deep learning mediated single time-point image-based prediction of
embryo developmental outcome at the cleavage stage [1.6753684438635652]
クリーベージ段階の移行は、予後不良の患者や、資源制限された環境での妊娠センターにおいて有益である。
タイムラプスイメージングシステムは可能な解決策として提案されているが、コストが抑えられ、かさばる高価なハードウェアを必要とする。
本稿では, 遺伝的アルゴリズムと併用した訓練CNNを用いて, 切断段階におけるヒト胚の分類と選択の自動化システムについて報告する。
論文 参考訳(メタデータ) (2020-05-21T21:21:15Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。