論文の概要: Multimodal Learning for Embryo Viability Prediction in Clinical IVF
- arxiv url: http://arxiv.org/abs/2410.15581v1
- Date: Mon, 21 Oct 2024 01:58:26 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-10-22 13:19:59.794038
- Title: Multimodal Learning for Embryo Viability Prediction in Clinical IVF
- Title（参考訳）: 臨床IVFにおける胚生存率予測のためのマルチモーダル学習
- Authors: Junsik Kim, Zhiyi Shi, Davin Jeong, Johannes Knittel, Helen Y. Yang, Yonghyun Song, Wanhua Li, Yicong Li, Dalit Ben-Yosef, Daniel Needleman, Hanspeter Pfister,
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 24.257300904706902
- License:
- Abstract: In clinical In-Vitro Fertilization (IVF), identifying the most viable embryo for transfer is important to increasing the likelihood of a successful pregnancy. Traditionally, this process involves embryologists manually assessing embryos' static morphological features at specific intervals using light microscopy. This manual evaluation is not only time-intensive and costly, due to the need for expert analysis, but also inherently subjective, leading to variability in the selection process. To address these challenges, we develop a multimodal model that leverages both time-lapse video data and Electronic Health Records (EHRs) to predict embryo viability. One of the primary challenges of our research is to effectively combine time-lapse video and EHR data, owing to their inherent differences in modality. We comprehensively analyze our multimodal model with various modality inputs and integration approaches. Our approach will enable fast and automated embryo viability predictions in scale for clinical IVF.
- Abstract（参考訳）: 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。
これらの課題に対処するために、時間ラプスビデオデータと電子健康記録(EHR)の両方を活用するマルチモーダルモデルを構築し、胚の生存率を予測する。
我々の研究の主な課題の1つは、時間ラプスビデオとEHRデータを効果的に組み合わせることである。
我々は、様々なモーダル入力と統合アプローチを用いて、マルチモーダルモデルを包括的に分析する。
本手法により,IVFの迅速かつ自動的胚生存率予測が可能となる。
関連論文リスト
- Optimizing Skin Lesion Classification via Multimodal Data and Auxiliary
Task Integration [54.76511683427566]
本研究は, スマートフォンで撮影した画像と本質的な臨床および人口統計情報を統合することで, 皮膚病変を分類する新しいマルチモーダル手法を提案する。
この手法の特徴は、超高解像度画像予測に焦点を当てた補助的なタスクの統合である。
PAD-UFES20データセットを用いて,様々なディープラーニングアーキテクチャを用いて実験を行った。
論文 参考訳（メタデータ） (2024-02-16T05:16:20Z) - XAI for In-hospital Mortality Prediction via Multimodal ICU Data [57.73357047856416]
マルチモーダルICUデータを用いて病院内死亡率を予測するための,効率的で説明可能なAIソリューションを提案する。
我々は,臨床データから異種入力を受信し,意思決定を行うマルチモーダル・ラーニングを我々のフレームワークに導入する。
我々の枠組みは、医療研究において重要な要素の発見を容易にする他の臨床課題に容易に移行することができる。
論文 参考訳（メタデータ） (2023-12-29T14:28:04Z) - Exploring the Role of Explainability in AI-Assisted Embryo Selection [0.0]
体外受精は不妊治療において最も広く行われている治療法の一つである。
その主な課題の1つは、移植のための胚の評価と選択である。
深層学習に基づく手法が注目されているが、その不透明な性質は臨床における受容を損なう。
論文 参考訳（メタデータ） (2023-08-01T09:46:31Z) - Incomplete Multimodal Learning for Complex Brain Disorders Prediction [65.95783479249745]
本稿では,変換器と生成対向ネットワークを用いた不完全なマルチモーダルデータ統合手法を提案する。
アルツハイマー病神経画像イニシアチブコホートを用いたマルチモーダルイメージングによる認知変性と疾患予後の予測に本手法を適用した。
論文 参考訳（メタデータ） (2023-05-25T16:29:16Z) - Predicting Adverse Neonatal Outcomes for Preterm Neonates with
Multi-Task Learning [51.487856868285995]
われわれはまず, 3つの不良新生児結果の相関関係を解析し, マルチタスク学習(MTL)問題として複数の新生児結果の診断を定式化する。
特に、MTLフレームワークは、共有された隠れレイヤと複数のタスク固有のブランチを含んでいる。
論文 参考訳（メタデータ） (2023-03-28T00:44:06Z) - Towards deep learning-powered IVF: A large public benchmark for
morphokinetic parameter prediction [0.0]
337kの画像に対して,胚発生の756ビデオの完全注釈付きデータセットについて述べる。
我々は、データセットにResNet、LSTM、ResNet-3Dアーキテクチャを適用し、ステージ開発フェーズを自動的にアノテートするためにアルゴリズムアプローチをオーバーパフォーマンスすることを実証する。
これはディープラーニングによるIVFへの第一歩だ。
論文 参考訳（メタデータ） (2022-03-01T15:13:21Z) - 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) - Towards an Automatic Analysis of CHO-K1 Suspension Growth in
Microfluidic Single-cell Cultivation [63.94623495501023]
我々は、人間の力で抽象化されたニューラルネットワークをデータレベルで注入できる新しい機械学習アーキテクチャを提案する。
具体的には、自然データと合成データに基づいて生成モデルを同時に訓練し、細胞数などの対象変数を確実に推定できる共有表現を学習する。
論文 参考訳（メタデータ） (2020-10-20T08:36:51Z) - MIA-Prognosis: A Deep Learning Framework to Predict Therapy Response [58.0291320452122]
本稿では,患者の予後と治療反応を予測するための統合型深層学習手法を提案する。
我々は,マルチモーダル非同期時系列分類タスクとして,確率モデリングを定式化する。
我々の予測モデルは、長期生存の観点から、低リスク、高リスクの患者をさらに階層化する可能性がある。
論文 参考訳（メタデータ） (2020-10-08T15:30:17Z) - Automated Measurements of Key Morphological Features of Human Embryos
for IVF [22.121065811969473]
タイムラプス顕微鏡は、胚を選択するための豊富な情報を提供する。
ここでは,5つの畳み込みニューラルネットワーク(CNN)の機械学習パイプラインを用いて,ヒト胚の時間分解顕微鏡の特徴抽出を自動化する。
我々のアプローチは、胚の選別に役立つ量的、生物学的に関連のある特徴の測定を大幅に高速化する。
論文 参考訳（メタデータ） (2020-05-29T20:27:17Z) - 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。