MARC

 008250123s2024        us                              c    eng  d
■001000017161852
■00520250211151453
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798382777191
■035    ▼a(MiAaPQ)AAI31296947
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a574.191
■1001  ▼aYang,  Yu  Helen.▼0(orcid)0000-0001-6257-266X
■24510▼aEnhancing  Clinical  IVF  Embryo  Selection  Through  the  Integration  of  Artificial  Intelligence  and  Bayesian  Statistics
■260    ▼a[Sl]▼bHarvard  University▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a103  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  85-12,  Section:  B.
■500    ▼aAdvisor:  Needleman,  Daniel  J.
■5021  ▼aThesis  (Ph.D.)--Harvard  University,  2024.
■520    ▼aDespite  major  advancements  in  IVF  technologies,  the  success  rate  of  IVF  remains  low  at  around  35%  and  the  main  challenge  of  clinical  IVF  is  embryo  selection.  Our  approach  to  improve  embryo  selection  leverages  the  advantages  of  AI,  its  ability  to  analyzing  large  and  complex  datasets,  and  Bayesian  statistics,  its  ability  to  robustly  infer  causal  relationships  in  complex  problems.  First,  we  enhanced  the  precision  and  efficiency  of  Time-Lapse  Microscopy  (TLM)  image  analysis  through  the  implementation  of  Computer  Vision  (CV)  techniques.  We  developed  AI  algorithms  to  automate  the  extraction  of  morphokinetic  features  from  TLM  movies  of  human  embryos,  providing  a  more  objective  evaluation  of  embryo  quality.  Second,  we  integrated  these  CV  networks  into  BlastAssist,  a  pipeline  designed  to  measure  comprehensive,  quantitative,  and  clinically-relevant  features  in  IVF.  To  validate  our  pipeline,  we  conducted  detailed  comparisons  between  BlastAssist  measurements  and  manual  assessments  by  human  experts,  annotations  from  embryologists  during  routine  treatments,  outcomes  of  single  embryo  transfer  (SET)  cycles,  and  live  birth  outcomes  of  transferred  embryos.  Lastly,  using  the  unprecedentedly  large  dataset  generated  by  the  BlastAssist  pipeline  in  conjunction  with  electronic  health  record  (EHR)  data  from  three  IVF  labs,  we  constructed  probabilistic  graphical  models  (PGMs)  for  the  complex  IVF  process  across  three  key  stages:  ovarian  stimulation,  fertilization,  and  embryo  development.  These  graphical  models  elucidate  causal  relationships  among  variables  in  clinical  IVF,  providing  valuable  insights  for  directing  future  clinical  research.  Overall,  this  project  has  the  potential  for  significant  clinical  impact.  The  BlastAssist  pipeline  has  the  potential  as  a  powerful  tool  to  streamline  the  IVF  image  analysis  process  and  assist  embryologists  in  embryo  selection.  The  integration  of  AI  and  Bayesian  statistics  can  enhance  our  understanding  of  this  complex  process  and  help  us  identify  key  clinical  predictors  and  improve  clinical  outcomes.
■590    ▼aSchool  code:  0084.
■650  4▼aBiophysics
■650  4▼aBiostatistics
■650  4▼aBioinformatics
■653    ▼aEmbryology
■653    ▼aInfertility
■653    ▼aIn  vitro  fertilization
■653    ▼aSingle  embryo  transfer
■653    ▼aComputer  vision
■690    ▼a0786
■690    ▼a0800
■690    ▼a0715
■690    ▼a0308
■71020▼aHarvard  University▼bBiophysics.
■7730  ▼tDissertations  Abstracts  International▼g85-12B.
■790    ▼a0084
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17161852▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books