Επιλογή εμβρύου & AI – Τρέχουσα κατάσταση

Ποια είναι η τρέχουσα απόδοση της υποστήριξης αποφάσεων τεχνητής νοημοσύνης (AI) κατά την επιλογή εμβρύου σε σύγκριση με την τυπική επιλογή εμβρύου από τους εμβρυολόγους; Η τεχνητή νοημοσύνη ξεπερνούσε σταθερά τις κλινικές ομάδες σε όλες τις μελέτες που επικεντρώθηκαν στη μορφολογία των εμβρύων και στην πρόβλεψη της κλινικής έκβασης κατά την αξιολόγηση της επιλογής εμβρύου.

Η έμπειρη ιατρική ομάδα του Κέντρου Γονιμότητας Κρήτης, που εργάζεται υπό την επίβλεψη του Δρ Ματθαίου Φραϊδάκη, χρησιμοποιεί ήδη την τεχνητή νοημοσύνη στην επιλογή εμβρύων, βοηθώντας ακόμη περισσότερο τους ασθενείς και αυξάνοντας ραγδαία τα ποσοστά επιτυχίας.

Αυτό που είναι ήδη γνωστό

Το ποσοστό επιτυχίας της ART είναι ~30%, με μια ανησυχητική τάση αύξησης της γυναικείας ηλικίας να συσχετίζεται με σημαντικά χειρότερα αποτελέσματα. Ως εκ τούτου, έχουν γίνει συνεχείς προσπάθειες για την αντιμετώπιση αυτού του χαμηλού ποσοστού επιτυχίας μέσω της ανάπτυξης νέων τεχνολογιών. Με την έλευση της τεχνητής νοημοσύνης, υπάρχει δυνατότητα εφαρμογής μηχανικής μάθησης με τέτοιο τρόπο ώστε οι περιοχές που περιορίζονται από την ανθρώπινη υποκειμενικότητα, όπως η επιλογή εμβρύων, να μπορούν να βελτιωθούν μέσω αυξημένης αντικειμενικότητας. Δεδομένης της δυνατότητας της τεχνητής νοημοσύνης να βελτιώσει τα ποσοστά επιτυχίας της εξωσωματικής γονιμοποίησης, παραμένει ζωτικής σημασίας να επανεξεταστεί η απόδοση μεταξύ της τεχνητής νοημοσύνης και των εμβρυολόγων κατά την επιλογή εμβρύου.

ΣΧΕΔΙΟ ΜΕΛΕΤΗΣ, ΜΕΓΕΘΟΣ, ΔΙΑΡΚΕΙΑ

Η αναζήτηση πραγματοποιήθηκε σε PubMed, EMBASE, Ovid Medline και IEEE Xplore από την 1η Ιουνίου 2005 έως και την 7η Ιανουαρίου 2022. Τα άρθρα που περιλαμβάνονται περιορίστηκαν επίσης σε αυτά που γράφτηκαν στα αγγλικά. Οι όροι αναζήτησης που χρησιμοποιήθηκαν σε όλες τις βάσεις δεδομένων για τη μελέτη ήταν: (“Τεχνητή νοημοσύνη” Ή “Μηχανική μάθηση” Ή “Βαθιά μάθηση” Ή “Νευρωνικό δίκτυο”) ΚΑΙ (“IVF” Ή “in vitro fertili*” Ή “τεχνολογία υποβοηθούμενης αναπαραγωγής* ‘ Ή ‘έμβρυο’), όπου ο χαρακτήρας ‘*’ αναφέρεται στη μηχανή αναζήτησης για να συμπεριλάβει οποιαδήποτε αυτόματη συμπλήρωση του όρου αναζήτησης.

ΣΥΜΜΕΤΕΧΟΝΤΕΣ/ΥΛΙΚΑ, ΣΚΗΣΗ, ΜΕΘΟΔΟΙ

Διεξήχθη βιβλιογραφική αναζήτηση για βιβλιογραφία που σχετίζεται με εφαρμογές τεχνητής νοημοσύνης στην εξωσωματική γονιμοποίηση. Τα κύρια ενδιαφέροντα αποτελέσματα ήταν η ακρίβεια, η ευαισθησία και η ειδικότητα των αξιολογήσεων του βαθμού μορφολογίας του εμβρύου και η πιθανότητα κλινικών αποτελεσμάτων, όπως η κλινική εγκυμοσύνη μετά από θεραπείες εξωσωματικής γονιμοποίησης. Ο κίνδυνος μεροληψίας αξιολογήθηκε χρησιμοποιώντας τη λίστα ελέγχου Modified Down και Black.

ΚΥΡΙΑ ΑΠΟΤΕΛΕΣΜΑΤΑ ΚΑΙ Ο ΡΟΛΟΣ ΤΗΣ ΕΥΘΥΝΗΣ

Είκοσι άρθρα συμπεριλήφθηκαν σε αυτήν την ανασκόπηση. Δεν υπήρξε συγκεκριμένη ημέρα αξιολόγησης εμβρύου σε όλες τις μελέτες—η Ημέρα 1 έως την Ημέρα 5/6 της ανάπτυξης του εμβρύου διερευνήθηκε. Οι τύποι εισόδου για την εκπαίδευση αλγορίθμων τεχνητής νοημοσύνης ήταν εικόνες και time-lapse (10/20), κλινικές πληροφορίες (6/20) και εικόνες και κλινικές πληροφορίες (4/20). Κάθε μοντέλο τεχνητής νοημοσύνης απέδειξε πολλά υποσχόμενα σε σύγκριση με την οπτική αξιολόγηση ενός εμβρυολόγου. Κατά μέσο όρο, τα μοντέλα προέβλεψαν την πιθανότητα επιτυχούς κλινικής εγκυμοσύνης με μεγαλύτερη ακρίβεια από τους κλινικούς εμβρυολόγους, γεγονός που σημαίνει μεγαλύτερη αξιοπιστία σε σύγκριση με την πρόβλεψη του ανθρώπου. Τα μοντέλα AI πραγματοποίησαν μέση ακρίβεια 75,5% (εύρος 59–94%) στην πρόβλεψη του βαθμού μορφολογίας του εμβρύου. Η σωστή πρόβλεψη (Ground Truth) ορίστηκε με τη χρήση εικόνων εμβρύου σύμφωνα με την αξιολόγηση μεταεμβρυολόγων σύμφωνα με τις τοπικές αντίστοιχες οδηγίες. Χρησιμοποιώντας σύνολα δεδομένων τυφλών δοκιμών, η πρόβλεψη ακρίβειας των εμβρυολόγων ήταν 65,4% (εύρος 47–75%) με την ίδια βασική αλήθεια που παρέχεται από την αρχική τοπική αντίστοιχη αξιολόγηση. Ομοίως, τα μοντέλα τεχνητής νοημοσύνης είχαν μέση ακρίβεια 77,8% (εύρος 68–90%) στην πρόβλεψη κλινικής εγκυμοσύνης μέσω της χρήσης πληροφοριών κλινικής θεραπείας ασθενών σε σύγκριση με 64% (εύρος 58–76%) όταν εκτελούνταν από εμβρυολόγους. Όταν συνδυάστηκαν και οι δύο εισαγωγές εικόνων/χρονικής καθυστέρησης και κλινικών πληροφοριών, η διάμεση ακρίβεια από τα μοντέλα AI ήταν υψηλότερη στο 81,5% (εύρος 67–98%), ενώ οι κλινικοί εμβρυολόγοι είχαν μέση ακρίβεια 51% (εύρος 43–59% ).

ΠΕΡΙΟΡΙΣΜΟΙ, ΛΟΓΟΙ ΠΡΟΣΟΧΗΣ

Τα ευρήματα αυτής της ανασκόπησης βασίζονται σε μελέτες που δεν έχουν αξιολογηθεί προοπτικά σε κλινικό περιβάλλον. Επιπλέον, μια δίκαιη σύγκριση όλων των μελετών κρίθηκε ανέφικτη λόγω της ετερογένειας των μελετών, της ανάπτυξης των μοντέλων AI, της βάσης δεδομένων που χρησιμοποιήθηκαν και του σχεδιασμού και της ποιότητας της μελέτης.

ΕΥΡΥΤΕΡΟΙ ΕΠΙΠΤΩΣΕΙΣ ΤΩΝ ΕΥΡΗΜΑΤΩΝ

Η τεχνητή νοημοσύνη παρέχει σημαντική υπόσχεση στον τομέα της εξωσωματικής γονιμοποίησης και στην επιλογή εμβρύων. Ωστόσο, πρέπει να υπάρξει μια μετατόπιση στην αντίληψη των προγραμματιστών για το κλινικό αποτέλεσμα από την επιτυχή εμφύτευση προς τη συνεχιζόμενη εγκυμοσύνη ή τη ζωντανή γέννηση. Επιπλέον, τα υπάρχοντα μοντέλα επικεντρώνονται σε τοπικά δημιουργούμενες βάσεις δεδομένων και πολλά στερούνται εξωτερικής επικύρωσης.

ΧΡΗΜΑΤΟΔΟΤΗΣΗ ΣΠΟΥΔΩΝ/ΑΝΤΑΓΩΝΙΣΤΙΚΑ ΣΥΜΦΕΡΟΝΤΑ

Αυτή η μελέτη χρηματοδοτήθηκε από το Monash Data Future Institute. Όλοι οι συγγραφείς δεν έχουν να δηλώσουν σύγκρουση συμφερόντων.

Πηγή: ncbi.nlm.nih.gov