Title استفاده از تكنيك هاي يادگيري ماشين براي صرفه جويي در هزينه ها با بهبود انتخاب جنين قبل از لانه گزيني Type Thesis Keywords artificial intelligence, cost-effective, embryo grading, synthetic embryology, machine learning Abstract هدف: اين مطالعه با هدف استفاده از تكنيك هاي يادگيري ماشين براي افزايش دقت انتخاب جنين و در نتيجه كاهش هزينه هاي درمان IVF با پرداختن به چالش هاي كمبود داده ها در تصويربرداري پزشكي انجام شده است. روش ها: جامعه مورد مطالعه شامل 48 ويديوي تايم لپس (24 جنين با كيفيت خوب و 24 جنين با كيفيت پايين) از مركز باروري و ناباروري اصفهان بود. داده ها با استفاده از سيستم هاي تصويربرداري تايم لپس EmbryoScope تحت تأييد اخلاقي مركز جمع آوري شدند. سه معماري شبكه عصبي كانولوشن پيشرفته (VGG19، InceptionV3 و EfficientNetB3) پس از پيش پردازش جامع، شامل استخراج فريم، برش جنين-محور و كنترل كيفيت، ارزيابي شدند. يك استراتژي تقويت داده چند مرحله اي با استفاده از روش هاي مكاني، زماني، فوتومتريك و پيشرفته (MixUp، CutMix) به كار گرفته شد. مدل ها از طريق يك رويكرد يادگيري انتقالي دو مرحله اي آموزش داده شدند. تجزيه و تحليل داده ها شامل اعتبارسنجي متقابل 5-fold GroupKFold با معيارهاي عملكرد (دقت، AUC، امتياز F1) و آزمون هاي آماري (t-test، Cohen's d) بود. تجزيه و تحليل ها با استفاده از پايتون و كتابخانه هايي مانند TensorFlow، Keras، Scikit-learn و Matplotlib انجام شد. قابليت تفسير با استفاده از Grad-CAM كه توسط جنين شناسان باليني تأييد شده بود، ارزيابي شد. نتايج: همه مدل ها عملكرد محدودي نشان دادند، به طوري كه VGG19 بالاترين دقت (66.26٪) و AUC (0.6149) را داشت كه كمي بالاتر از سطح احتمال بود. InceptionV3 بدترين عملكرد را داشت (دقت 48.82٪، AUC 0.5119)، در حالي كه EfficientNetB3 نتايج متوسطي را نشان داد اما كمترين امتياز F1 (0.3886) را داشت. تقويت هاي پيشرفته حداقل سود را ارائه دادند (ΔAUC < 0.02). تجسم هاي Grad-CAM نشان داد كه مدل به جاي ويژگي هاي جنيني مرتبط از نظر باليني، به نواحي پس زمينه نامربوط توجه مكرر دارد، و همپوشاني كمي (ضريب دايس < 0.42) در برابر حاشيه نويسي هاي جنين شناس دارد. فواصل اطمينان گسترده و توان آماري پايين، عدم قطعيت در تخمين ها را برجسته مي كند. آموزش مشترك، كارايي را بهبود بخشيد اما عملكرد را به خطر انداخت. نتيجه گيري: اين مطالعه شواهدي ارائه مي دهد كه رويكردهاي يادگيري عميق فعلي نمي توانند كمبود داده ها در انتخاب جنين را به طور كامل جبران كنند، اما بهبودهاي هدفمند در دقت انتخا Researchers Faezeh Homayounzadeh Baei (Student) , Khodakaram Salimifard (First primary advisor) , Reza Mohammadi (Advisor) , Muhammad Eliyas (Advisor)