پیشگویی میزان موفقیت روش تلقیح اسپرم داخل سیتو پلاسم تخمک (icsi) با استفاده از شبکه عصبی مصنوعی و لوژستیک رگرسیون

زمینه و هدف: تزریق اسپرم به داخل تخمک (icsi) در زوجین نابارور، تحولی شگرف در درمان این بیماران ایجاد نموده است. متاسفانه علی‌رغم هزینه بالای انجام icsi، میزان موفقیت آن چشم‌گیر نبوده و شکست در ایجاد حاملگی، استرس سنگینی به آن‌ها تحمیل می‌کند. هدف از این تحقیق کوششی برای استخراج بهترین پارامتر‌های پیشگویی‌کننده در میزان موفقیت icsi و ارتقای دقت، حساسیت و ویژگی پیشگویی به کمک مدل ریاضی لوژستیک رگرسیون و شبکه عصبی مصنوعی می‌باشد.روش کار: اطلاعات لازم از پرونده 345 بیمار تحت درمان icsi و در قالب 54 پارامتراسمی و عددی استخراج گردید. داده‌ها به صورت تصادفی به دو دسته تخمین و یا آموزش (276=n) و اعتبارسنجی یا آزمون (69 =n) تقسیم شدند. مدل‌های بکاربرده شده در این تحقیق باینری لوژستیک رگرسیون و شبکه عصبی با الگوی یادگیری لونبرگ مارکوارد بودند. نهایتاً مدل‌ها بوسیله شاخص‌هایی مانند دقت، حساسیت و ویژگی ارزیابی گردیدند.یافته‌ها: بهترین خروجی بدست آمده با مدل باینری لوژستیک و با استفاده از 54 متغیر 97% دقت، 86% حساسیت و 94% ویژگی را بدست داد. بهترین خروجی برای شبکه عصبی با استفاده از الگوی آموزشی لونبرگ مارکوارد با مدل کاهش یافته شامل تعداد 29 متغیر، دقت 82%، حساسیت 92% و ویژگی 76% بدست داد.نتیجه‌گیری: مدل باینری لوژستیک رگرسیون دارای قدرت زیادی در پیشگویی میزان موفقیت تزریق داخل سیتوپلاسمی تخمک هنگامی که خروجی به صورت باینری است می‌باشد.

Prediction the success rate of intracytoplasmic sperm injection (ICSI) using artificial neural networks and logistic regression

Background: Intracytoplasmic sperm injection (ICSI) in infertile couples has created a great improvement for treatment of these patients. Unfortunately, despite of high cost of doing ICSI the rate of success is not acceptable and failing pregnancy put a heavy anxiety to couples. This study is aimed to make an effort in order to extract the best predictors for predict the success rate of intra cytoplasmic sperm injection and promote accuracy, sensivity and specificity by the use of artificial neural network and logistic regression.Methods: 345 patients received ICSI treatment and each of which constructed of 54 numerical and nominal records. This database was randomly divided into the estimation (n=276) and validation (n=69) data set. The models were used based on binary logistic regression (BLR) feature selection tools and LevenbergMarquardth neural network classifier. Finally, models were evaluated using important criteria such as accuracy, sensitivity and specificity.Results: The best output of the B LR model by using 54 variables revealed accuracy (97%), sensitivity (86%)and specificity (%94). The best output of the LMNN model using Reduced dataset consisted of n=29 with a feature vector side yielded the accuracy (82%) and sensitivity (%92) and specificity (%76).Conclusion: Our result demonstrated that BLR model outperformed highlighting the great power of BLR in success rate of ICSI prediction while using binary output.