fa استفاده از یادگیری ماشینی برای انتخاب اسپرم انسان و میزان موفقیت در روش های IVF ناباروری Sterility مروری سیستماتيک Systematical Review <div style="text-align:justify"><span style="font-size:12px"><span style="font-family:Tahoma"><strong>هدف: </strong>ناباروری در واقع یک نگرانی مهم بهداشت جهانی است. کیفیت گامت ها نقش اساسی در تعیین میزان موفقیت چرخه های فناوری کمک باروری (<span dir="LTR">ART</span>) 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 <span dir="LTR">ART</span> 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 <span dir="LTR">ART</span> 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.<br> <strong>مواد و روش ها:</strong> ما یک جستجوی جامع در <span dir="LTR">PubMed</span>، <span dir="LTR">Google Scholar</span> و <span dir="LTR">Scopus</span> با استفاده از کلمات کلیدی &quot;<span dir="LTR">Machine Learning AND Quantification AND IVF</span>&quot; 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.<br> <strong>نتیجه گیری:</strong> 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.<br> <br> &nbsp;</span></span></div> <div style="text-align: justify;"><span style="font-size:12px;"><span style="font-family:Tahoma;"><b>Objective:</b> Infertility is indeed a significant global health concern. The quality of gametes plays a pivotal role in determining the success rates of Assisted Reproductive Technology (ART) cycles. In contemporary fertility and reproductive medicine, the utilization of machine learning has emerged as a powerful tool for processing large datasets, offering the potential to enhance existing ART practices<span dir="RTL" lang="FA">.</span> The objective of this review study was to assess and quantify sperm and oocyte characteristics in humans using machine learning techniques. This approach can contribute to a more precise evaluation of gamete quality, leading to improved decision-making and potentially higher success rates in ART procedures. Using of machine learning abilities, researchers can obtain valuable insights into the quality of gametes, thereby optimizing fertility treatments for individuals and couples experiencing infertility issues. </span></span><br> <span style="font-family:Tahoma;"><b><span style="font-size:10.0pt">Materials and</span></b><i> </i><b><span style="font-size:10.0pt">Methods:</span></b></span> <span style="font-size:12px;"><span style="font-family:Tahoma;">We conducted a comprehensive search on PubMed, Google Scholar, and Scopus using the keywords &quot;Machine Learning AND Quantification AND IVF.&quot; Eligible articles were initially screened based on their titles. After the title screening, a second screening was performed based on the abstracts of the selected articles. Finally, the full articles of the remaining studies were reviewed to ensure they met our inclusion criteria. From each eligible study, we extracted the following information: author(s) of the study, publication year, and the method employed to evaluate human oocyte quality<span dir="RTL" lang="FA">.</span><br> <b>Conclusion:</b> The development of a properly trained machine learning system will require careful attention to data quality, measurement, sample size and ethics issues agreement.&nbsp;<br> &nbsp;</span></span></div> یادگیری ماشینی,هوش مصنوعی,یادگیری عمیق,لقاح آزمایشگاهی,اسپرم, Machine Learning,Artificial Intelligence,Deep Learning,In Vitro Fertilization,Sperm, 105 117 http://saremjrm.com/browse.php?a_code=A-10-1-170&slc_lang=fa&sid=1 Mohammad Reza Nateghi محمدرضا ناطقی 10031947532846004892 10031947532846004892 No Sarem Gynecology, Obstetrics and Infertility Research Center, Sarem Women’s Hospital, Iran University of Medical Science (IUMS), Tehran, Iran. مرکز تحقیقات زنان زایمان و ناباروری صارم، بیمارستان فوق تخصصی صارم، دانشگاه علوم پزشکی ایران، تهران، ایران Hossein Nikzad حسین نیک زاد 10031947532846004893 10031947532846004893 No Gametogenesis Research Center, Kashan University of Medical Science, Kashan مرکز تحقیقات گامتوژنزیس دانشگاه علوم پزشکی کاشان، کاشان، ایران Mahdi Hassani Bafrani مهدی حسنی بافرانی 10031947532846004894 0009-0002-5815-0215 Yes Student Research Committee, Hormozgan University of Medical Sciences, Bandar Abbas, Iran کمیته تحقیقات دانشجویی، دانشگاه علوم پزشکی هرمزگان، بندرعباس، ایران