ข้อมูลจากบทคัดย่อ
ยังไม่มีสรุปภาษาไทยสำหรับระเบียนนี้
ด้านล่างเป็นบทคัดย่อต้นฉบับภาษาอังกฤษจากข้อมูลบรรณานุกรม โปรดตรวจบทความต้นฉบับก่อนอ้างอิง
While machine learning has seen growing applications in in-vitro fertilization (IVF), existing research primarily focuses on embryo-level data, which represents the developmental stage following the fertilization of the oocyte and sperm. However, the study of such application on oocyte, which is the major contributing factor to the success of IVF, is limited. This study introduces an ensemble-learning pipeline designed to predict successful fertilization—defined as two-pronuclei (2PN) development—following Intracytoplasmic Sperm Injection (ICSI) by integrating morphological image data with clinical features. Furthermore, this study examines how the first polar body (PBI) influences the established analytical pipeline. Our pipeline input consists of a complete metaphase of meiosis II (MII) oocyte image, its PBI segmentation, and numerical clinical cellular features. We evaluated two prominent machine learning models: Random Forest and Extreme Gradient Boosting (XGBoost), to predict outcomes based on numerical features. Our experimental results indicate that XGBoost demonstrates superior performance and is more suitable for this specific numerical dataset. Furthermore, our results demonstrate that integrating PBI imagery significantly enhances the pipeline’s predictive performance, achieving a peak AUC of 0.82. Subsequent analysis suggests that the morphological characteristics of the PBI provide a valuable predictive association within the ensemble framework.
เหตุผลที่อยู่ในฐานติดตาม
ระเบียนนี้ได้รับ Impact Signal 75/100 จากความใหม่ แหล่งเผยแพร่ ความร่วมมือ และสัญญาณในข้อมูลบรรณานุกรม คะแนนนี้ใช้จัดลำดับการติดตาม ไม่ใช่การตัดสินคุณภาพงานวิจัย
ประเด็นที่เกี่ยวข้อง: Reproductive Biology and Fertility · Reproductive Health and Technologies · Artificial Intelligence in Healthcare
บทบาทของนักวิจัยและสถาบันไทย
Tinapat Limsila · Thanakorn Sappakit · Methawin Vongsaisuwon · Ronnapee Chaichaowarat · Chanakarn Suebthawinkul · Chulalongkorn University
ข้อจำกัดของข้อมูล
หน้านี้เป็นระเบียนบรรณานุกรมและข้อมูลจากบทคัดย่อ ยังไม่ใช่บทวิเคราะห์ฉบับเต็มหรือการประเมินคุณภาพงานวิจัย ควรตรวจสอบ DOI และเอกสารต้นฉบับก่อนนำไปอ้างอิง