خداکرم سلیمی فرد

هدف: این مطالعه با هدف استفاده از تکنیک های یادگیری ماشین برای افزایش دقت انتخاب جنین و در نتیجه کاهش هزینه های درمان IVF با پرداختن به چالش های کمبود داده ها در تصویربرداری پزشکی انجام شده است. روش ها: جامعه مورد مطالعه شامل 48 ویدیوی تایم لپس (24 جنین با کیفیت خوب و 24 جنین با کیفیت پایین) از مرکز باروری و ناباروری اصفهان بود. داده ها با استفاده از سیستم های تصویربرداری تایم لپس EmbryoScope تحت تأیید اخلاقی مرکز جمع آوری شدند. سه معماری شبکه عصبی کانولوشن پیشرفته (VGG19، InceptionV3 و EfficientNetB3) پس از پیش پردازش جامع، شامل استخراج فریم، برش جنین-محور و کنترل کیفیت، ارزیابی شدند. یک استراتژی تقویت داده چند مرحله ای با استفاده از روش های مکانی، زمانی، فوتومتریک و پیشرفته (MixUp، CutMix) به کار گرفته شد. مدل ها از طریق یک رویکرد یادگیری انتقالی دو مرحله ای آموزش داده شدند. تجزیه و تحلیل داده ها شامل اعتبارسنجی متقابل 5-fold GroupKFold با معیارهای عملکرد (دقت، AUC، امتیاز F1) و آزمون های آماری (t-test، Cohen's d) بود. تجزیه و تحلیل ها با استفاده از پایتون و کتابخانه هایی مانند TensorFlow، Keras، Scikit-learn و Matplotlib انجام شد. قابلیت تفسیر با استفاده از Grad-CAM که توسط جنین شناسان بالینی تأیید شده بود، ارزیابی شد. نتایج: همه مدل ها عملکرد محدودی نشان دادند، به طوری که VGG19 بالاترین دقت (66.26٪) و AUC (0.6149) را داشت که کمی بالاتر از سطح احتمال بود. InceptionV3 بدترین عملکرد را داشت (دقت 48.82٪، AUC 0.5119)، در حالی که EfficientNetB3 نتایج متوسطی را نشان داد اما کمترین امتیاز F1 (0.3886) را داشت. تقویت های پیشرفته حداقل سود را ارائه دادند (ΔAUC < 0.02). تجسم های Grad-CAM نشان داد که مدل به جای ویژگی های جنینی مرتبط از نظر بالینی، به نواحی پس زمینه نامربوط توجه مکرر دارد، و همپوشانی کمی (ضریب دایس < 0.42) در برابر حاشیه نویسی های جنین شناس دارد. فواصل اطمینان گسترده و توان آماری پایین، عدم قطعیت در تخمین ها را برجسته می کند. آموزش مشترک، کارایی را بهبود بخشید اما عملکرد را به خطر انداخت. نتیجه گیری: این مطالعه شواهدی ارائه می دهد که رویکردهای یادگیری عمیق فعلی نمی توانند کمبود داده ها در انتخاب جنین را به طور کامل جبران کنند، اما بهبودهای هدفمند در دقت انتخا