論文の概要: Robust and generalizable embryo selection based on artificial
intelligence and time-lapse image sequences
- arxiv url: http://arxiv.org/abs/2103.07262v1
- Date: Fri, 12 Mar 2021 13:36:30 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-15 13:31:18.120686
- Title: Robust and generalizable embryo selection based on artificial
intelligence and time-lapse image sequences
- Title(参考訳): 人工知能とタイムラプス画像シーケンスに基づくロバストかつ一般化可能な胚選択
- Authors: J{\o}rgen Berntsen, Jens Rimestad, Jacob Theilgaard Lassen, Dang Tran,
Mikkel Fly Kragh
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Assessing and selecting the most viable embryos for transfer is an essential
part of in vitro fertilization (IVF). In recent years, several approaches have
been made to improve and automate the procedure using artificial intelligence
(AI) and deep learning. Based on images of embryos with known implantation data
(KID), AI models have been trained to automatically score embryos related to
their chance of achieving a successful implantation. However, as of now, only
limited research has been conducted to evaluate how embryo selection models
generalize to new clinics and how they perform in subgroup analyses across
various conditions. In this paper, we investigate how a deep learning-based
embryo selection model using only time-lapse image sequences performs across
different patient ages and clinical conditions, and how it correlates with
traditional morphokinetic parameters. The model was trained and evaluated based
on a large dataset from 18 IVF centers consisting of 115,832 embryos, of which
14,644 embryos were transferred KID embryos. In an independent test set, the AI
model sorted KID embryos with an area under the curve (AUC) of a receiver
operating characteristic curve of 0.67 and all embryos with an AUC of 0.95. A
clinic hold-out test showed that the model generalized to new clinics with an
AUC range of 0.60-0.75 for KID embryos. Across different subgroups of age,
insemination method, incubation time, and transfer protocol, the AUC ranged
between 0.63 and 0.69. Furthermore, model predictions correlated positively
with blastocyst grading and negatively with direct cleavages. The fully
automated iDAScore v1.0 model was shown to perform at least as good as a
state-of-the-art manual embryo selection model. Moreover, full automatization
of embryo scoring implies fewer manual evaluations and eliminates biases due to
inter- and intraobserver variation.
- Abstract(参考訳): 移植に最も有効な胚の評価と選択は、in vitro fertilization (ivf) の重要な部分である。
近年,ai(artificial intelligence)とディープラーニング(deep learning)を用いて,手順の改善と自動化を行う手法がいくつか提案されている。
既知の移植データ(kid)を持つ胚の画像に基づいて、aiモデルは移植成功の確率に関連する胚を自動的にスコア付けするように訓練されている。
しかし、現在、新しい診療所への胚選抜モデルの適用方法や、様々な条件におけるサブグループ分析の実施方法を評価するための限定的な研究が実施されているのみである。
本稿では, 経時的画像列のみを用いた深層学習に基づく胚選択モデルが, 患者年齢や臨床状況によってどのように機能するか, 従来の形態動態パラメータとどのように相関するかを検討する。
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、14,644個の胚がKID胚に転送された。
独立したテストセットでは、AIモデルは、0.67の受信機動作特性曲線の曲線下の領域(AUC)と、AUCの0.95のすべての胚のKID胚をソートした。
クリニックホールドアウトテストでは、KID胚に対するAUC範囲0.60-0.75の新しいクリニックに一般化された。
年齢、授精方法、インキュベーション時間、転送プロトコルの異なるサブグループで、AUCは0.63から0.69の範囲であった。
さらに, モデル予測はブラストシストグレーディングと正の相関を示し, 直接切断と負の相関を示した。
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。
さらに、胚スコアリングのフルオートマチック化は、手動評価を少なくし、サーバー間およびサーバー内変動によるバイアスを排除します。
関連論文リスト
- 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) - Development and validation of deep learning based embryo selection
across multiple days of transfer [0.0]
本研究は,完全自動化深層学習モデルiDAScore v2.0の開発と,2,3,5日間培養した胚の評価について述べる。
このモデルは、世界中の22のIVFクリニックから181,428個の胚を含む広範囲で多様なデータセットで訓練され、評価されている。
遺伝子組み換え胚(KID)を識別するためには、転写日に応じて0.621から0.708の範囲のAUCを示す。
論文 参考訳(メタデータ) (2022-10-05T09:44:13Z) - Building Brains: Subvolume Recombination for Data Augmentation in Large
Vessel Occlusion Detection [56.67577446132946]
この戦略をデータから学ぶためには、標準的なディープラーニングベースのモデルに対して、大規模なトレーニングデータセットが必要である。
そこで本研究では, 異なる患者から血管木セグメントを組換えることで, 人工的なトレーニングサンプルを生成する方法を提案する。
拡張スキームに則って,タスク固有の入力を入力した3D-DenseNetを用いて,半球間の比較を行う。
論文 参考訳(メタデータ) (2022-05-05T10:31:57Z) - StRegA: Unsupervised Anomaly Detection in Brain MRIs using a Compact
Context-encoding Variational Autoencoder [48.2010192865749]
教師なし異常検出(UAD)は、健康な被験者の異常なデータセットからデータ分布を学習し、分布サンプルの抽出に応用することができる。
本研究では,コンテクストエンコーディング(context-encoding)VAE(ceVAE)モデルのコンパクトバージョンと,前処理と後処理のステップを組み合わせて,UADパイプライン(StRegA)を作成することを提案する。
提案したパイプラインは、BraTSデータセットのT2w画像と0.859$pm$0.112の腫瘍を検出しながら、Diceスコアが0.642$pm$0.101に達した。
論文 参考訳(メタデータ) (2022-01-31T14:27:35Z) - 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) - Bootstrapping Your Own Positive Sample: Contrastive Learning With
Electronic Health Record Data [62.29031007761901]
本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。
EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。
私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
論文 参考訳(メタデータ) (2021-04-07T06:02:04Z) - Deep learning-based COVID-19 pneumonia classification using chest CT
images: model generalizability [54.86482395312936]
深層学習(DL)分類モデルは、異なる国の3DCTデータセット上で、COVID-19陽性患者を特定するために訓練された。
我々は、データセットと72%の列車、8%の検証、20%のテストデータを組み合わせたDLベースの9つの同一分類モデルを訓練した。
複数のデータセットでトレーニングされ、トレーニングに使用されるデータセットの1つからテストセットで評価されたモデルは、よりよいパフォーマンスを示した。
論文 参考訳(メタデータ) (2021-02-18T21:14:52Z) - Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype
Prediction [55.94378672172967]
本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。
新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。
我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
論文 参考訳(メタデータ) (2020-09-02T02:50:30Z) - 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) - Data-Driven Prediction of Embryo Implantation Probability Using IVF
Time-lapse Imaging [4.823616680520791]
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。
論文 参考訳(メタデータ) (2020-06-01T16:04:08Z) - 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。