دوره 9، شماره 2 - ( 1403 )
دوره 9 شماره 2 صفحات 117-105 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Nateghi M R, Nikzad H, Hassani Bafrani M. The use of Machine Learning for Human Sperm Selection and Success Rate in IVF Methods. SJMR 2024; 9 (2) : 6
URL: http://saremjrm.com/article-1-336-fa.html
URL: http://saremjrm.com/article-1-336-fa.html
ناطقی محمدرضا، نیک زاد حسین، حسنی بافرانی مهدی. استفاده از یادگیری ماشینی برای انتخاب اسپرم انسان و میزان موفقیت در روش های IVF. مجله تحقيقات پزشكي صارم. 1403; 9 (2) :105-117
1- مرکز تحقیقات زنان زایمان و ناباروری صارم، بیمارستان فوق تخصصی صارم، دانشگاه علوم پزشکی ایران، تهران، ایران و مرکز تحقیقات سلولی-مولکولی و سلول‌های بنیادی صارم، بیمارستان فوق تخصصی صارم تهران، ایران
2- مرکز تحقیقات گامتوژنزیس دانشگاه علوم پزشکی کاشان، کاشان، ایران
3- کمیته تحقیقات دانشجویی، دانشگاه علوم پزشکی هرمزگان، بندرعباس، ایران
2- مرکز تحقیقات گامتوژنزیس دانشگاه علوم پزشکی کاشان، کاشان، ایران
3- کمیته تحقیقات دانشجویی، دانشگاه علوم پزشکی هرمزگان، بندرعباس، ایران
چکیده: (499 مشاهده)
هدف: ناباروری در واقع یک نگرانی مهم بهداشت جهانی است. کیفیت گامت ها نقش اساسی در تعیین میزان موفقیت چرخه های فناوری کمک باروری (ART) دارد. در باروری و پزشکی باروری معاصر، استفاده از یادگیری ماشینی به عنوان یک ابزار قدرتمند برای پردازش مجموعه داده‌های بزرگ پدیدار شده است که پتانسیل بهبود شیوه‌های ART موجود را ارائه می‌دهد. هدف از این مطالعه مروری، ارزیابی و تعیین کمیت ویژگی‌های اسپرم در انسان با استفاده از تکنیک‌های یادگیری ماشینی بود. این رویکرد می‌تواند به ارزیابی دقیق‌تر کیفیت گامت کمک کند، که منجر به بهبود تصمیم‌گیری و نرخ موفقیت بالقوه بالاتر در روش‌های ART می‌شود. با استفاده از توانایی‌های یادگیری ماشینی، محققان می‌توانند بینش‌های ارزشمندی در مورد کیفیت گامت‌ها به دست آورند و در نتیجه درمان‌های باروری را برای افراد و زوج‌هایی که مشکلات ناباروری را تجربه می‌کنند، بهینه کنند.
مواد و روش ها: ما یک جستجوی جامع در PubMed، Google Scholar و Scopus با استفاده از کلمات کلیدی "Machine Learning AND Quantification AND IVF" انجام دادیم. مقالات واجد شرایط در ابتدا بر اساس عناوین آنها غربالگری می شدند. پس از غربالگری عنوان، غربالگری دوم بر اساس چکیده مقالات منتخب انجام شد. در نهایت، مقالات کامل مطالعات باقی‌مانده برای اطمینان از اینکه معیارهای ورود ما را برآورده می‌کنند، بررسی شدند. از هر مطالعه واجد شرایط، ما اطلاعات زیر را استخراج کردیم: نویسنده(های) مطالعه، سال انتشار، و روش به کار گرفته شده برای ارزیابی کیفیت تخمک انسانی.
نتیجه گیری: توسعه یک سیستم یادگیری ماشینی آموزش دیده به درستی نیازمند توجه دقیق به کیفیت داده ها، اندازه گیری، اندازه نمونه و توافقنامه مسائل اخلاقی است.
مواد و روش ها: ما یک جستجوی جامع در PubMed، Google Scholar و Scopus با استفاده از کلمات کلیدی "Machine Learning AND Quantification AND IVF" انجام دادیم. مقالات واجد شرایط در ابتدا بر اساس عناوین آنها غربالگری می شدند. پس از غربالگری عنوان، غربالگری دوم بر اساس چکیده مقالات منتخب انجام شد. در نهایت، مقالات کامل مطالعات باقی‌مانده برای اطمینان از اینکه معیارهای ورود ما را برآورده می‌کنند، بررسی شدند. از هر مطالعه واجد شرایط، ما اطلاعات زیر را استخراج کردیم: نویسنده(های) مطالعه، سال انتشار، و روش به کار گرفته شده برای ارزیابی کیفیت تخمک انسانی.
نتیجه گیری: توسعه یک سیستم یادگیری ماشینی آموزش دیده به درستی نیازمند توجه دقیق به کیفیت داده ها، اندازه گیری، اندازه نمونه و توافقنامه مسائل اخلاقی است.
شماره‌ی مقاله: 6
نوع مقاله: مروری سیستماتيک |
موضوع مقاله:
ناباروری
دریافت: 1403/5/11 | پذیرش: 1403/6/10 | انتشار: 1403/9/29
دریافت: 1403/5/11 | پذیرش: 1403/6/10 | انتشار: 1403/9/29
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
