論文の概要: Predicting Live Birth After Fresh Embryo Transfer in IVF/ICSI: Differential ICM/Trophectoderm Morphology Encoding and a Hybrid Attention--Logistic Regression Ensemble

• arxiv url: http://arxiv.org/abs/2610.21134v1
• Date: Thu, 15 Oct 2026 02:43:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-16 19:13:16.140768
• Title: Predicting Live Birth After Fresh Embryo Transfer in IVF/ICSI: Differential ICM/Trophectoderm Morphology Encoding and a Hybrid Attention--Logistic Regression Ensemble
• Title（参考訳）: ICM/Trophectoderm Morphology Encoding and a Hybrid Attention--logistic Regression Ensemble in IVF/ICSI: Differential ICM/Trophectoderm Morphology Encoding and a Hybrid Attention--Logistic Regression Ensemble
• Abstract要約: 新たな胚移植前における出生予測はIVF/ICSIにおける共有決定を支えうる。 臨床, 実験室, 胚発生予測器を用いて616個の新しい胚転移サイクルを作製し, 内皮細胞塊とトロフェクトデムの新規な差分重み付けをコードした胚形態について検討した。 我々は、学習可能な特徴注意ゲートと、コンパクトな多層パーセプトロンと、検証調整された重み付きHAN+ロジスティック回帰アンサンブルであるハイブリッドアテンションネットワーク(HAN)を開発した。
• 参考スコア（独自算出の注目度）: 4.112567036318254
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Predicting live birth before fresh embryo transfer could support shared decision-making in IVF/ICSI, but routine clinical data are small, heterogeneous, and contain pathway-dependent variables prone to outcome leakage. We aimed to construct a curated single-centre IVF/ICSI dataset and develop a prediction model suited to small tabular clinical data. \textit{Materials and Methods:} We assembled 616 fresh embryo-transfer cycles (251 live birth, 365 non-live birth) with clinical, laboratory, and embryological predictors, and embryo morphology encoded with a novel differential weighting of the inner cell mass and trophectoderm. After KNN imputation, robust scaling, and selection of 50 features, we developed a Hybrid Attention Network (HAN), a learnable feature-attention gate followed by a compact multilayer perceptron, and a HAN + logistic-regression (LR) ensemble with a validation-tuned weight. Models were benchmarked against classical machine learning, TabPFN, and text-serialized language models on a held-out test set; AUC-ROC was the primary metric. \textit{Results:} The HAN + LR ensemble achieved the highest test AUC-ROC (0.710; accuracy 0.710, F1 0.630), ahead of the HAN backbone alone (0.700), logistic regression (0.667), the TabPFN + LR hybrid (0.666), and TabPFN (0.650). Text-serialized language models performed near chance (AUC $\le$ 0.61). The differentially weighted trophectoderm feature ranked highest by consensus importance across models. \textit{Discussion:} A compact attention network combined with a linear model outperformed both components and strong foundation-model baselines on a small clinical cohort. \textit{Conclusion:} The curated dataset and HAN + LR ensemble offer a transparent, reproducible basis for IVF/ICSI live-birth prediction; external validation is the next step.
• Abstract（参考訳）: IVF/ICSIの共有決定には、新しい胚移植前での生後予測が有効であるが、日常的な臨床データは小さく、不均一であり、結果として漏れやすい経路依存変数を含んでいる。 本研究の目的は、単心IVF/ICSIデータセットの構築と、小さな表型臨床データに適合する予測モデルの構築である。 臨床, 臨床, 実験, 胚発生予測器を用いた616個の新しい胚移行サイクル(生後251回, 生後365回)と, 細胞内の質量とトロフェクトデムの新たな差分重による胚形態をコードした胚形態について検討した。 KNN計算,ロバストなスケーリング,50種類の特徴の選択を経て,学習可能な特徴認識ゲート,コンパクトな多層パーセプトロン,HAN+ロジスティック・レグレス(LR)アンサンブル,検証調整した重み付きアンサンブルを開発した。 モデルは古典的な機械学習、TabPFN、テキストシリアライズされた言語モデルに対してベンチマークされ、AUC-ROCが主要な指標であった。 HAN + LRアンサンブルは、HANバックボーン単独(0.700)、ロジスティック回帰(0.667)、TabPFN + LRハイブリッド(0.666)、TabPFN(0.650)よりも先に、AUC-ROC(0.710、精度0.710、F1 0.630)の最高テストを達成した。 テキストシリアライズされた言語モデルは、ほぼ偶然に実行された(AUC $\le$ 0.61)。 異なる重み付けのトロフェクトデムの特徴は、モデル間でのコンセンサスの重要性によって最も高く評価された。 \textit{Discussion:} コンパクトアテンションネットワークと線形モデルが組み合わさって、小さな臨床コホート上で、コンポーネントと強力な基礎モデルベースラインの両方に優れていた。 \textit{Conclusion:} キュレートされたデータセットとHAN + LRアンサンブルは、IVF/ICSIの生発生予測のための透過的で再現可能なベースを提供する。

関連論文リスト

• GeneICL: A Tabular Foundation Model for Bulk Transcriptomics [40.70020444515545]
  遺伝子発現は生医学において広く測定されている。 臨床結果の予測は、高次元性、強い特徴相関、限られたラベル付きデータにより依然として困難である。
  論文  参考訳（メタデータ） (2026-10-06T17:10:37Z)
• Multimodal Machine Learning for Early Prediction of Metastasis in a Swedish Multi-Cancer Cohort [1.5829605001132387]
  マルチモーダル機械学習(Multimodal Machine Learning)は、患者の状態の全体像を提供し、電子的健康記録から構造化データと非構造化データを統合する。 EHRデータから6カ月の経過を経過観察し,診断の1ヶ月前に転移リスクを予測する枠組みを提案する。
  論文  参考訳（メタデータ） (2026-03-31T14:27:21Z)
• Cerebra: A Multidisciplinary AI Board for Multimodal Dementia Characterization and Risk Assessment [56.62016795093786]
  CerebraはインタラクティブなマルチエージェントAIチームで、ERH、臨床ノート、医療画像分析のための特殊エージェントをコーディネートする。 構造化された表現を操作することで、プライバシ保護デプロイメントをサポートし、モダリティが不完全であれば、堅牢である。 Cerebraは、有識者のパフォーマンスを著しく改善し、前向き認知症リスク推定において精度を17.5ポイント向上させた。
  論文  参考訳（メタデータ） (2026-03-23T05:46:45Z)
• VIVID-Med: LLM-Supervised Structured Pretraining for Deployable Medical ViTs [24.283989257873085]
  VIVID-Medは,凍結した大言語モデル(LLM)を構造化意味論的教師として活用し,医療用ビジョントランスフォーマー(ViT)を事前訓練する新しいフレームワークである。 VIVID-Medは、臨床所見をUnified MedicalNIST (UMS) を介して検証可能なフィールド状態ペアに翻訳し、応答性を考慮したマスキングを用いて最適化に焦点を当てる。 マクロAUCは0.8588で、500倍少ないデータを使用しながら、BiomedCLIPを+6.65ポイント上回る。
  論文  参考訳（メタデータ） (2026-03-10T02:42:51Z)
• Residual GRU+MHSA: A Lightweight Hybrid Recurrent Attention Model for Cardiovascular Disease Detection [1.267904597444312]
  臨床記録のためのコンパクトなディープラーニングアーキテクチャであるMulti-Head Self-Attentionを用いたResidual GRUを提案する。 5倍層状クロスバリデーションを用いたUCI心疾患データセットのモデルについて検討した。 提案モデルでは, 0.861, 0.860のマクロF1, 0.908のROC-AUC, 0.904のPR-AUCが全ベースラインを上回る精度で達成されている。
  論文  参考訳（メタデータ） (2025-12-16T16:33:59Z)
• Transparent Early ICU Mortality Prediction with Clinical Transformer and Per-Case Modality Attribution [42.85462513661566]
  ICU滞在後48時間から, 生理的時系列測定と非構造的臨床記録とを融合した, 軽量で透明なマルチモーダルアンサンブルを提案する。 ロジスティック回帰モデルは、バイタル用双方向LSTMとノート用微調整された臨床ModernBERT変換器の2つのモード固有モデルからの予測を組み合わせる。 MIMIC-IIIベンチマークでは、遅延融合アンサンブルは、よく校正された予測を維持しながら、最高の単一モデルに対する差別を改善する。
  論文  参考訳（メタデータ） (2025-11-19T20:11:49Z)
• Automated Multi-label Classification of Eleven Retinal Diseases: A Benchmark of Modern Architectures and a Meta-Ensemble on a Large Synthetic Dataset [1.996975578218265]
  我々は、11の網膜疾患を分類するエンドツーエンドのディープラーニングパイプラインを開発した。 合成データのみに訓練されたモデルは,複数の病態を正確に分類し,実際の臨床画像に効果的に一般化できることを示す。
  論文  参考訳（メタデータ） (2025-08-21T22:09:53Z)
• Predicting Length of Stay in Neurological ICU Patients Using Classical Machine Learning and Neural Network Models: A Benchmark Study on MIMIC-IV [49.1574468325115]
  本研究は、MIMIC-IVデータセットに基づく神経疾患患者を対象とした、ICUにおけるLOS予測のための複数のMLアプローチについて検討する。 評価されたモデルには、古典的MLアルゴリズム(K-Nearest Neighbors、Random Forest、XGBoost、CatBoost)とニューラルネットワーク(LSTM、BERT、テンポラルフュージョントランス)が含まれる。
  論文  参考訳（メタデータ） (2025-05-23T14:06:42Z)
• 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)

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。