論文の概要: Interpretation of Deep Learning Model in Embryo Selection for In Vitro Fertilization (IVF) Treatment
- arxiv url: http://arxiv.org/abs/2506.06680v1
- Date: Sat, 07 Jun 2025 06:25:22 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-10 16:33:10.426609
- Title: Interpretation of Deep Learning Model in Embryo Selection for In Vitro Fertilization (IVF) Treatment
- Title（参考訳）: In Vitro Fertilization (IVF) 治療における胚選抜における深層学習モデルの解釈
- Authors: Radha Kodali, Venkata Rao Dhulipalla, Venkata Siva Kishor Tatavarty, Madhavi Nadakuditi, Bharadwaj Thiruveedhula, Suryanarayana Gunnam, Durga Prasad Bavirisetti,
- Abstract要約: 専門家の胚学者は、通常、胚を選別するためにブラストシストの画像をレビューすることで、胚を格付けする。
本研究では、畳み込みニューラルネットワーク(CNN)と長期記憶アーキテクチャ(LSTM)を融合した、胚を分類するための説明可能な人工知能フレームワークを提案する。
本モデルは,XAIによる解釈性を維持しつつ,胚の分類において高い精度を達成する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Infertility has a considerable impact on individuals' quality of life, affecting them socially and psychologically, with projections indicating a rise in the upcoming years. In vitro fertilization (IVF) emerges as one of the primary techniques within economically developed nations, employed to address the rising problem of low fertility. Expert embryologists conventionally grade embryos by reviewing blastocyst images to select the most optimal for transfer, yet this process is time-consuming and lacks efficiency. Blastocyst images provide a valuable resource for assessing embryo viability. In this study, we introduce an explainable artificial intelligence (XAI) framework for classifying embryos, employing a fusion of convolutional neural network (CNN) and long short-term memory (LSTM) architecture, referred to as CNN-LSTM. Utilizing deep learning, our model achieves high accuracy in embryo classification while maintaining interpretability through XAI.
- Abstract（参考訳）: 不妊症は個人の生活の質に大きな影響を及ぼし、社会的、心理的に影響し、今後数年の上昇を示す予測がある。
体外受精(IVF)は、低出生率の上昇問題に対処するため、経済発展途上国で主要な技術の一つとして出現する。
専門家の胚学者は、通常、胚を選別するためにブラストシストの画像をレビューすることで、胚を格付けするが、このプロセスは時間がかかり効率が良くない。
ブラストシスト画像は、胚の生存性を評価する貴重な資源である。
本研究では、CNN-LSTMと呼ばれる畳み込みニューラルネットワーク(CNN)と長期記憶(LSTM)アーキテクチャを融合した、胚を分類するための説明可能な人工知能(XAI)フレームワークを提案する。
深層学習を利用して,XAIによる解釈性を維持しつつ,胚の分類精度を向上させる。
関連論文リスト
- Explainable Brain Age Gap Prediction in Neurodegenerative Conditions using coVariance Neural Networks [94.06526659234756]
脳年齢差予測に対するブラックボックス機械学習アプローチは実用性に制限がある。
各種神経変性疾患に対する皮質厚み特徴を用いた脳年齢差の研究に,VNNに基づくアプローチを適用した。
以上の結果より,アルツハイマー病,前頭側頭型認知症,非定型パーキンソン病の脳年齢差の解剖学的特徴が明らかとなった。
論文 参考訳（メタデータ） (2025-01-02T19:37:09Z) - An Integrated Optimization and Deep Learning Pipeline for Predicting Live Birth Success in IVF Using Feature Optimization and Transformer-Based Models [0.0]
本研究は,IVF治療における出生結果の予測を目的とした,堅牢な人工知能パイプラインを開発する。
このパイプラインは、2010年から2018年にかけてHFEA(Human Fertilization and Embryology Authority)から匿名化されたデータを使用する。
論文 参考訳（メタデータ） (2024-12-27T15:46:59Z) - 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) - 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) - 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) - 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) - Evaluation of deep convolutional neural networks in classifying human
embryo images based on their morphological quality [1.6753684438635652]
畳み込みニューラルネットワーク(CNN)は強力で有望なアルゴリズムである。
Xceptionは、その形態的品質に基づいて、胚間の差別化において最善を尽くした。
論文 参考訳（メタデータ） (2020-05-21T21:21:22Z) - 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) - Retinopathy of Prematurity Stage Diagnosis Using Object Segmentation and
Convolutional Neural Networks [68.96150598294072]
未熟児網膜症(英: Retinopathy of Prematurity、ROP)は、主に体重の低い未熟児に影響を及ぼす眼疾患である。
網膜の血管の増殖を招き、視力喪失を招き、最終的には網膜剥離を招き、失明を引き起こす。
近年,ディープラーニングを用いて診断を自動化する試みが盛んに行われている。
本稿では,従来のモデルの成功を基盤として,オブジェクトセグメンテーションと畳み込みニューラルネットワーク(CNN)を組み合わせた新しいアーキテクチャを開発する。
提案システムでは,まず対象分割モデルを訓練し,画素レベルでの区切り線を識別し,その結果のマスクを追加の"カラー"チャネルとして付加する。
論文 参考訳（メタデータ） (2020-04-03T14:07:41Z)
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。