TWI730674B - 使用人工智慧預測人工生殖懷孕率的方法和系統 - Google Patents
使用人工智慧預測人工生殖懷孕率的方法和系統 Download PDFInfo
- Publication number
- TWI730674B TWI730674B TW109108516A TW109108516A TWI730674B TW I730674 B TWI730674 B TW I730674B TW 109108516 A TW109108516 A TW 109108516A TW 109108516 A TW109108516 A TW 109108516A TW I730674 B TWI730674 B TW I730674B
- Authority
- TW
- Taiwan
- Prior art keywords
- case data
- women
- models
- predicted
- implanted
- Prior art date
Links
Images
Landscapes
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本發明公開一種使用人工智慧預測人工生殖懷孕率的方法和系統,所述方法包括如下步驟。首先,從至少一資料庫中,系統主機搜集多個婦女的病例資料,並去除未曾植入受精卵的這些婦女的病例資料,再去除曾同時植入冷凍胚胎和新鮮胚胎的這些婦女的病例資料。其次,系統主機將未被去除的這些婦女的病例資料採用隨機抽樣分為訓練集和驗證集。然後,根據訓練集,系統主機利用多個機器學習演算法分別建立多個模型,並通過驗證以決定這些模型中的一個作為訓練好的預測模型。最後,系統主機提供使用者介面接收待預測婦女的病例資料,並利用訓練好的預測模型對待預測婦女的病例資料進行預測,以得到待預測婦女的人工生殖懷孕率。
Description
本發明涉及一種預測方法和系統,特別是涉及一種使用人工智慧(Artificial Intelligence,AI)預測人工生殖(Assisted Reproduction Technology)懷孕率的方法和系統。
人工生殖是指借助生殖醫學技術,以非性交的人工方法來受孕並生育子女。目前臨床上主要包括人工授精(Intrauterine Insemination,IUI)和試管嬰兒(In Vitro Fertilization,IVF)兩種方法,尤其以試管嬰兒的成功率最高,但試管嬰兒仍有高達五成的失敗率和昂貴的治療費用,讓許多不孕夫妻望之卻步。另外,人工生殖的治療流程非常繁雜,每一個環節都將可能影響最終的懷孕結果。因此,本領域亟需一種能夠使用人工智慧預測人工生殖懷孕率的方法和系統,以作為不孕夫妻的治療參考。
有鑑於此,本發明實施例提供一種使用人工智慧預測人工生殖懷孕率的方法,所述方法包括如下步驟。首先,從至少一資料庫中,搜集多個婦女的病例資料,並去除未曾植入受精卵的這些婦女的病例資料,再去除曾同時植入冷凍胚胎和新鮮胚胎的這些婦女的病例資料。其次,將未被去除的這些婦女的病例資料採用隨機抽樣分為訓練集和驗證集,且訓練集中的病例資料為有無成功懷孕過的這些婦女的病例資料各佔一半。然後,根據訓練集,利用多個機器學習演算法分別建立多個模型,並利用驗證集分別對這些模型進行驗證,以決定這些模型中的一個作為訓練好的預測模型。最後,提供使用者介面接收待預測婦女的病例資料,並利用訓練好的預測模型對待預測婦女的病例資料進行預測,以得到待預測婦女的人工生殖懷孕率。
除此之外,本發明實施例另提供一種使用人工智慧預測人工生殖懷孕率的系統,所述系統包括至少一資料庫和系統主機。資料庫儲存多個婦女的病例資料。系統主機耦接資料庫,並且至少包括儲存器和處理器。儲存器儲存這些婦女的病例資料和一應用程式,處理器則耦接儲存器,並用來運行應用程式,使得系統主機執行前述所使用人工智慧預測人工生殖懷孕率的方法。
為使能更進一步瞭解本發明的特徵及技術內容,請參閱以下有關本發明的詳細說明與圖式,然而所提供的圖式僅用於提供參考與說明,並非用來對本發明加以限制。
以下是通過特定的具體實施例來說明本發明的實施方式,本領域技術人員可由本說明書所提供的內容瞭解本發明的優點與效果。本發明可通過其他不同的具體實施例加以施行或應用,本說明書中的各項細節也可基於不同觀點與應用,在不悖離本發明的構思下進行各種修改與變更。另外,本發明的附圖僅為簡單示意說明,並非依實際尺寸的描繪,事先聲明。以下的實施方式將進一步詳細說明本發明的相關技術內容,但所提供的內容並非用以限制本發明的保護範圍。
應當理解的是,雖然本文中可能會使用到“第一”、“第二”、“第三”等術語來描述各種元件或者信號,但這些元件或者信號不應受這些術語的限制。這些術語主要是用以區分一元件與另一元件,或者一信號與另一信號。另外,本文中所使用的術語“或”,應視實際情況可能包含相關聯的列出項目中的任一個或者多個的組合。
請同時參閱圖1和圖2,圖1是本發明實施例所提供使用人工智慧預測人工生殖懷孕率的系統的示意圖,圖2是本發明實施例所提供使用人工智慧預測人工生殖懷孕率的方法的步驟流程圖。需說明的是,圖2的方法可以是執行於圖1的系統主機12中,但本發明並不限制圖2的方法僅能夠執行於圖1的系統主機12中,且如圖1所示,系統1還包括至少一資料庫10,用來儲存多個婦女的病例資料。為方便以下說明,圖1的資料庫數量僅採用一個為例,但本發明並不以此為限制,且在本實施例中,資料庫10可例如為臺北醫學大學臨床研究資料庫,但本發明亦不以此為限制。
系統主機12耦接資料庫10,並且至少包括儲存器120和處理器122。儲存器120儲存這些婦女的病例資料和至少一應用程式(圖1未示),處理器122則耦接儲存器120,並用來運行應用程式,使得系統主機12執行圖1的方法。也就是說,應用程式可以是由複數個程式碼及指令來實現,但本發明並不限制應用程式或者處理器122運行應用程式的具體實現方式,總而言之,本發明亦不限制系統主機12的具體實現方式。
如圖2所示,在步驟S210中,系統主機12可從資料庫10中,搜集這些婦女的病例資料,而且既然本發明是為了能夠預測人工生殖懷孕率,所以在步驟S210後的步驟S220中,系統主機12可去除未曾植入受精卵的這些婦女的病例資料。另外,植入的受精卵包括冷凍胚胎和新鮮胚胎兩種類,這兩種類的差異性很大,也適用於不同條件的婦女身上,所以為了解不同種類胚胎對於人工生殖懷孕率的影響,在步驟S220後的步驟S230中,系統主機12可再去除曾同時植入冷凍胚胎和新鮮胚胎的這些婦女的病例資料。
值得一提的是,女性的自然懷孕率本來就隨著年齡增長而逐漸遞減,尤其是超過40歲的自然懷孕率大概僅剩5%,以至於在經歷過步驟S220和步驟S230後所保留的病例資料中,我們可以預見很多應屬於高齡且無成功懷孕過的婦女的病例資料,而資料不平衡就會使得機器學習過多地關注這類型資料,造成有些重要的臨床變數並沒有辦法被挖掘,且預測結果也就不能準確,所以為解決資料不平衡的問題,在步驟S230後的步驟S240中,系統主機12更可去除高齡且無成功懷孕過的部分婦女的病例資料。
舉例來說,假如經歷過步驟S220和步驟S230後所保留的病例資料數量為10000多筆,但其中屬於高齡且無成功懷孕過的婦女的病例資料就佔8000多筆的話,那麼系統主機12就可試著去除這8000多筆中的部分,例如6000多筆的病例資料,其餘的病例資料再和屬於非高齡的婦女的病例資料一起輸入機器學習演算法中,但本發明並不以此為限制。另外,本實施例的高齡是指超過40歲,但本發明亦不以此為限制,總而言之,為更進一步說明有關系統主機12如何去除高齡且無成功懷孕過的部分婦女的病例資料,本發明則提供了步驟S240的一種實現方式。
請參閱圖3,圖3是圖2的步驟S240於一較佳實施例下的步驟流程圖。如圖3所示,步驟S240可包括步驟S341~步驟S343。在步驟S341中,針對高齡且無成功懷孕過的這些婦女的病例資料,系統主機12可列出當中多個臨床變數的分布情形,並根據分布情形從這多個臨床變數中選出N個臨床變數,N為大於等於1的正整數。其次,在步驟S342中,系統主機12將這N個臨床變數的所有種內容組合依照相應的病例資料數量由多至少排列。然後,在步驟S343中,針對病例資料數量較多的前K種內容組合,系統主機12可採用隨機抽樣去除分別屬於這前K種內容組合的部分婦女的病例資料,K為大於等於1的正整數。
舉例來說,針對高齡且無成功懷孕過的這些婦女的病例資料,系統主機12可選出:有無進行取卵、人工協助生殖方式、顯微操作方式、精卵來源、胚胎受精卵冷凍數、胚胎種類、有無卵巢過度刺激症候群和卵巢刺激方式的這8個臨床變數(即N=8),並將這8個臨床變數的所有種內容組合依照相應的病例資料數量由多至少排列。如下表1的例子是病例資料數量較多的前3種內容組合(即K=3)。然後,系統主機12可採用隨機抽樣去除分別屬於第一、第二和第三種內容組合的部分婦女的病例資料。至於系統主機12到底是去除多少筆屬於第一種內容組合的婦女的病例資料,又分別多少筆屬於第二和第三種內容組合的婦女的病例資料,本技術領域中具有通常知識者應可依據實際需求或應用來進行設計,總而言之,圖3的步驟S341~步驟S343只是步驟S240的一種實現方式,但其並非用以限制本發明。
表1:
臨床變數 | 第一種內容組合 | 第二種內容組合 | 第三種內容組合 |
有無進行取卵 | 有 | 有 | 無 |
人工協助生殖方式 | IVF/Embryo Transfer(ET) | IVF/ET | IVF/ET |
顯微操作方式 | Intra-Cytoplasmic Sperm Injection(ICSI) | ICSI | ICSI |
精卵來源 | 夫妻精卵 | 夫妻精卵 | 夫妻精卵 |
胚胎受精卵冷凍數 | 0 | 0 | 0 |
胚胎種類 | 新鮮胚胎 | 新鮮胚胎 | 冷凍胚胎 |
有無卵巢過度刺激症候群 | 無 | 無 | 無 |
卵巢刺激方式 | 自然週期 | GnRH antagonist藥物刺激 | 自然週期 |
接著,如圖2所示,在步驟S250中,系統主機12可將未被去除的這些婦女的病例資料採用隨機抽樣分為訓練集和驗證集,且訓練集中的病例資料為有無成功懷孕過的這些婦女的病例資料各佔一半。舉例來說,假如未被去除的病例資料數量為17288筆的話,那麼系統主機12就可將這17288筆的病例資料採用分層隨機抽樣分為一半作為訓練集而另一半作為驗證集,再將訓練集中有無成功懷孕過的婦女的病例資料數量各佔一半,其餘的病例資料就都分配到驗證集中。
也就是說,在經歷步驟S250後,訓練集和驗證集的病例資料數量則都為8644筆,且訓練集中有成功懷孕過的婦女的病例資料數量和無成功懷孕過的婦女的病例資料數量又都為4322筆,但本發明並不以此為限制。另外,針對這些婦女的病例資料所缺失值的部分,系統主機12可利用missForest函數進行填補。有關missForest函數的運作原理已為本技術領域中具有通常知識者所習知,故其細節就不再多加贅述。然後,在步驟S260中,根據訓練集,系統主機12可利用多個機器學習演算法分別建立多個模型,並在步驟S270中,利用驗證集分別對這些模型進行驗證,以決定這些模型中的一個作為訓練好的預測模型。
在本實施例中,系統主機12可利用邏輯斯迴歸、隨機森林、支援向量機和決策樹的這4個機器學習演算法分別建立4個模型,並且在利用驗證集分別對這4個模型進行驗證中,系統主機12也可利用訓練集分別對這4個模型進行驗證,以決定這4個模型中的一個作為訓練好的預測模型。然而,有關邏輯斯迴歸、隨機森林、支援向量機和決策樹分別建立模型的運作原理已皆為本技術領域中具有通常知識者所習知,故其細節就不再多加贅述,總而言之,經實驗後發現,以隨機森林建立的模型可得到最佳預測結果,尤其是隨機森林建立的模型所對於訓練集預測的正確率為83.39%,靈敏度(Sensitivity)和特異度(Specificity)又分別為83.02%和83.76%,曲線下方的面積(Area Under Curve,AUC)則為0.9197。
另外,隨機森林建立的模型所對於驗證集預測的正確率為64.78%,靈敏度和特異度又分別為66.58%和64.16%,AUC則為0.7208。因此,系統主機12將決定採用隨機森林建立的模型作為訓練好的預測模型。最後,在步驟S280中,系統主機12可提供使用者介面接收待預測婦女的病例資料,並在步驟S290中,利用訓練好的預測模型對待預測婦女的病例資料進行預測,以得到待預測婦女的人工生殖懷孕率。請注意,本發明並不限制系統主機12所提供使用者介面的具體實現方式。實務上,這使用者介面可以是通過網頁來實現,且任何人都可再通過網頁瀏覽器或手機應用程式看到這使用者介面,然後醫生或待預測婦女本人就能在這使用者介面上輸入病例資料。
本發明亦不限制在這使用者介面上所能輸入的病例資料有哪些臨床變數,本技術領域中具有通常知識者應可依據實際需求或應用來進行設計,反正當系統主機12通過這使用者介面收到待預測婦女的病例資料時,系統主機12就可利用隨機森林建立的模型對待預測婦女的病例資料進行預測,以得到待預測婦女的人工生殖懷孕率,且得到的人工生殖懷孕率也會顯示在這使用者介面上。值得一提的是,在建立模型的過程中,本發明更可找出卵巢刺激方式、胚胎受精卵冷凍數、女性年齡和胚胎受精卵植入數為最主要影響人工生殖懷孕率的4個臨床變數。因此,假如要為能得到較高人工生殖懷孕率的話,輸入的病例資料就可試著從調整除了女性年齡外的另3個臨床變數內容下手,以作為不孕夫妻的治療參考。
綜上所述,本發明實施例提供使用人工智慧預測人工生殖懷孕率的方法和系統,可以是有效解決資料不平衡的問題,使得重要的臨床變數都有辦法被挖掘,且通過驗證可決定出不同機器學習演算建立的多個模型中的一個作為訓練好的預測模型,來對待預測婦女的病例資料進行預測,以得到待預測婦女的人工生殖懷孕率。
以上所提供的內容僅為本發明的優選可行實施例,並非因此侷限本發明的申請專利範圍,所以凡是運用本發明說明書及圖式內容所做的等效技術變化,均包含於本發明的申請專利範圍內。
1:系統
10:資料庫
12:系統主機
120:儲存器
122:處理器
S210~S290, S341~S343:流程步驟
圖1是本發明實施例所提供使用人工智慧預測人工生殖懷孕率的系統的示意圖。
圖2是本發明實施例所提供使用人工智慧預測人工生殖懷孕率的方法的步驟流程圖。
圖3是圖2的方法中的步驟S240於一較佳實施例下的步驟流程圖。
S210~S290:流程步驟
Claims (12)
- 一種使用人工智慧預測人工生殖懷孕率的方法,包括: 從至少一資料庫中,搜集多個婦女的病例資料,並去除未曾植入受精卵的該些婦女的該病例資料,再去除曾同時植入冷凍胚胎和新鮮胚胎的該些婦女的該病例資料; 將未被去除的該些婦女的該病例資料採用隨機抽樣分為一訓練集和一驗證集,且該訓練集中的該病例資料為有無成功懷孕過的該些婦女的該病例資料各佔一半; 根據該訓練集,利用多個機器學習演算法分別建立多個模型,並利用該驗證集分別對該些模型進行驗證,以決定該些模型中的一個作為訓練好的預測模型;以及 提供一使用者介面接收一待預測婦女的該病例資料,並利用訓練好的該預測模型對該待預測婦女的該病例資料進行預測,以得到該待預測婦女的該人工生殖懷孕率。
- 如請求項1所述的方法,其中在去除曾同時植入冷凍胚胎和新鮮胚胎的該些婦女的該病例資料後,該方法更包括: 去除高齡且無成功懷孕過的部分該些婦女的該病例資料。
- 如請求項2所述的方法,其中在去除高齡且無成功懷孕過的部分該些婦女的該病例資料中,包括: 針對高齡且無成功懷孕過的該些婦女的該病例資料,列出當中多個臨床變數的分布情形,並根據該分布情形從該些臨床變數中選出N個臨床變數,N為大於等於1的正整數; 將該N個臨床變數的所有種內容組合依照相應的病例資料數量由多至少排列;以及 針對該病例資料數量較多的前K種內容組合, 採用隨機抽樣去除分別屬於該前K種內容組合的部分該些婦女的該病例資料,K為大於等於1的正整數。
- 如請求項1所述的方法,其中該些機器學習演算法包括邏輯斯迴歸、隨機森林、支援向量機和決策樹,並且在利用該驗證集分別對該些模型進行驗證中,該方法更包括: 也利用該訓練集分別對該些模型進行驗證,以決定該些模型中的一個作為訓練好的該預測模型。
- 如請求項1所述的方法,其中針對該些婦女的該病例資料所缺失值的部分,則利用missForest函數進行填補。
- 如請求項1所述的方法,其中在建立該些模型的過程中,該方法更找出卵巢刺激方式、胚胎受精卵冷凍數、女性年齡和胚胎受精卵植入數為最主要影響該人工生殖懷孕率的臨床變數。
- 一種使用人工智慧預測人工生殖懷孕率的系統,包括: 至少一資料庫,儲存多個婦女的病例資料;以及 一系統主機,耦接該至少一資料庫,包括: 一儲存器,儲存該些婦女的該病例資料和至少一應用程式;以及 一處理器,耦接該儲存器,並用來運行該至少一應用程式,使得該系統主機執行使用該人工智慧預測該人工生殖懷孕率的方法,包括: 從該至少一資料庫中,搜集該些婦女的該病例資料,並去除未曾植入受精卵的該些婦女的該病例資料,再去除曾同時植入冷凍胚胎和新鮮胚胎的該些婦女的該病例資料; 將未被去除的該些婦女的該病例資料採用隨機抽樣分為一訓練集和一驗證集,且該訓練集中的該病例資料為有無成功懷孕的該些婦女的該病例資料各佔一半; 根據該訓練集,利用多個機器學習演算法分別建立多個模型,並利用該驗證集分別對該些模型進行驗證,以決定該些模型中的一個作為訓練好的預測模型;以及 提供一使用者介面接收一待預測婦女的該病例資料,並利用訓練好的該預測模型對該待預測婦女的該病例資料進行預測,以得到該待預測婦女的該人工生殖懷孕率。
- 如請求項7所述的系統,其中在去除曾同時植入冷凍胚胎和新鮮胚胎的該些婦女的該病例資料後,該方法更包括: 去除高齡且無成功懷孕過的部分該些婦女的該病例資料。
- 如請求項8所述的系統,其中在去除高齡且無成功懷孕過的部分該些婦女的該病例資料中,包括: 針對高齡且無成功懷孕過的該些婦女的該病例資料,列出當中多個臨床變數的分布情形,並根據該分布情形從該些臨床變數中選出N個臨床變數,N為大於等於1的正整數; 將該N個臨床變數的所有種內容組合依照相應的病例資料數量由多至少排列;以及 針對該病例資料數量較多的前K種內容組合, 採用隨機抽樣去除分別屬於該前K種內容組合的部分該些婦女的該病例資料,K為大於等於1的正整數。
- 如請求項7所述的系統,其中該些機器學習演算法包括邏輯斯迴歸、隨機森林、支援向量機和決策樹,並且在利用該驗證集分別對該些模型進行驗證中,該方法更包括 也利用該訓練集分別對該些模型進行驗證,以決定該些模型中的一個作為訓練好的該預測模型。
- 如請求項7所述的系統,其中針對該些婦女的該病例資料所缺失值的部分,則利用missForest函數進行填補。
- 如請求項7所述的系統,其中在建立該些模型的過程中,該方法更找出卵巢刺激方式、胚胎受精卵冷凍數、女性年齡和胚胎受精卵植入數為最主要影響該人工生殖懷孕率的臨床變數。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW109108516A TWI730674B (zh) | 2020-03-16 | 2020-03-16 | 使用人工智慧預測人工生殖懷孕率的方法和系統 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW109108516A TWI730674B (zh) | 2020-03-16 | 2020-03-16 | 使用人工智慧預測人工生殖懷孕率的方法和系統 |
Publications (2)
Publication Number | Publication Date |
---|---|
TWI730674B true TWI730674B (zh) | 2021-06-11 |
TW202137231A TW202137231A (zh) | 2021-10-01 |
Family
ID=77517044
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW109108516A TWI730674B (zh) | 2020-03-16 | 2020-03-16 | 使用人工智慧預測人工生殖懷孕率的方法和系統 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI730674B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW201725526A (zh) * | 2015-09-30 | 2017-07-16 | 伊佛曼基因體有限公司 | 用於預測治療療法相關之結果之系統及方法 |
TWI641963B (zh) * | 2017-07-07 | 2018-11-21 | 長庚醫療財團法人林口長庚紀念醫院 | Method for screening coronary heart disease by cardiovascular marker and mechanical learning algorithm |
TWI667660B (zh) * | 2018-11-20 | 2019-08-01 | 帆宣系統科技股份有限公司 | Intelligent pre-diagnosis and health management system modeling method and computer program product |
TW201931150A (zh) * | 2017-12-28 | 2019-08-01 | 香港商阿里巴巴集團服務有限公司 | 社交內容風險識別方法、裝置及設備 |
TWI676940B (zh) * | 2018-08-29 | 2019-11-11 | 國立交通大學 | 以機械學習為基礎之最佳化預測模型的建立與預測結果的取得系統及方法 |
-
2020
- 2020-03-16 TW TW109108516A patent/TWI730674B/zh active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW201725526A (zh) * | 2015-09-30 | 2017-07-16 | 伊佛曼基因體有限公司 | 用於預測治療療法相關之結果之系統及方法 |
TWI641963B (zh) * | 2017-07-07 | 2018-11-21 | 長庚醫療財團法人林口長庚紀念醫院 | Method for screening coronary heart disease by cardiovascular marker and mechanical learning algorithm |
TW201931150A (zh) * | 2017-12-28 | 2019-08-01 | 香港商阿里巴巴集團服務有限公司 | 社交內容風險識別方法、裝置及設備 |
TWI688903B (zh) * | 2017-12-28 | 2020-03-21 | 香港商阿里巴巴集團服務有限公司 | 社交內容風險識別方法、裝置及設備 |
TWI676940B (zh) * | 2018-08-29 | 2019-11-11 | 國立交通大學 | 以機械學習為基礎之最佳化預測模型的建立與預測結果的取得系統及方法 |
TW202009804A (zh) * | 2018-08-29 | 2020-03-01 | 國立交通大學 | 以機械學習為基礎之最佳化預測模型的建立與預測結果的取得系統及方法 |
TWI667660B (zh) * | 2018-11-20 | 2019-08-01 | 帆宣系統科技股份有限公司 | Intelligent pre-diagnosis and health management system modeling method and computer program product |
Non-Patent Citations (1)
Title |
---|
D. J. Stekhoven and P. Bühlmann, "MissForest — non-parametric missing value imputation for mixed-type data," Bioinformatics, 28(1), 2012, pp. 112-118. * |
Also Published As
Publication number | Publication date |
---|---|
TW202137231A (zh) | 2021-10-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Vogiatzi et al. | An artificial neural network for the prediction of assisted reproduction outcome | |
Bhattacharya et al. | Factors associated with failed treatment: an analysis of 121,744 women embarking on their first IVF cycles | |
Baker et al. | Multivariate analysis of factors affecting probability of pregnancy and live birth with in vitro fertilization: an analysis of the Society for Assisted Reproductive Technology Clinic Outcomes Reporting System | |
Brown et al. | Biological determinants of spontaneous late preterm and early term birth: a retrospective cohort study | |
Banerjee et al. | Deep phenotyping to predict live birth outcomes in in vitro fertilization | |
Amini et al. | Factors associated with in vitro fertilization live birth outcome: A comparison of different classification methods | |
Van Loendersloot et al. | Cost-effectiveness of single versus double embryo transfer in IVF in relation to female age | |
Kan-Tor et al. | Automated evaluation of human embryo blastulation and implantation potential using deep‐learning | |
Fagerberg et al. | Indications for first caesarean and delivery mode in subsequent trial of labour | |
Wang et al. | Predicting clinical pregnancy using clinical features and machine learning algorithms in in vitro fertilization | |
Uyar et al. | Handling the imbalance problem of IVF implantation prediction | |
Milewski et al. | Morphokinetic parameters as a source of information concerning embryo developmental and implantation potential | |
TWI730674B (zh) | 使用人工智慧預測人工生殖懷孕率的方法和系統 | |
Wen et al. | Artificial intelligence model to predict pregnancy and multiple pregnancy risk following in vitro fertilization-embryo transfer (IVF-ET) | |
Mostaar et al. | Use of artificial neural networks and PCA to predict results of infertility treatment in the ICSI method | |
Xiong et al. | A nomogram to assist blastocyst selection in vitrified‐warmed embryo transfer cycles | |
McCarthy | The conceptual framework of the PMM Network | |
Patil | A review of soft computing used in assisted reproductive techniques (ART) | |
Kothandaraman et al. | Dynamic model for assisted reproductive technology outcome prediction | |
CN Barreto et al. | Predicting in vitro fertilization success in the Brazilian public health system: a machine learning approach | |
Danardono et al. | A Homogeneous ensemble of robust pre-defined neural network enables automated annotation of human embryo morphokinetics | |
Uyar et al. | ROC based evaluation and comparison of classifiers for IVF implantation prediction | |
Miller et al. | Outcomes of embryo transfers performed by Reproductive Endocrinology and Infertility fellows vs. faculty: an 11-year retrospective review | |
Rallis et al. | Controlled O varian H yper‐stimulation during IVF treatment does not increase the risk of preterm delivery compared to the transfer of frozen–thawed embryos in a natural cycle | |
Roberts et al. | Factors affecting embryo viability and uterine receptivity: insights from an analysis of the UK registry data |