Несмотря на то, что зрелые ооциты могут быть получены из фолликулов любого размера, частота получения зрелых ооцитов была ниже в группах со слишком маленькими или слишком большими фолликулами (Mohr-Sasson et al., 2020). Для того чтобы максимально увеличить выход зрелых ооцитов и избежать осложнений (таких как СГЯ), решающее значение имеет правильная оценка созревания фолликулов и сроков получения зрелых ооцитов (Permadi et al., 2021). Ручная оценка количества и размера фолликулов зависит от оператора, выполняющего УЗИ (Claman et al., 1992; Costello et al., 2006; Xu et al., 2017). Достижения в области коммерческих методов трехмерного ультразвукового исследования (3D-УЗИ), например, SonoAVC, позволили точно контролировать объемы фолликулов, но это полуавтоматическое применение ограничено точностью распознавания, особыми требованиями к приборам и отсутствием диагностических стандартов. (Вертхаймер и др., 2018). В последнее время методы искусственного интеллекта стали объективными, стандартизированными и эффективными методами оценки репродукции человека, особенно при персонализированной стимуляции яичников, расширенном культивировании эмбрионов, анализе спермы, ПГТ-А и отборе эмбрионов (Curchoe et al., 2019; Liu et al. и др., 2020; Занинович и др., 2020). Цель настоящего исследования состояла в том, чтобы осветить метод искусственного интеллекта, который может изменить менеджмент лечения методом ЭКО. Были проанализированы важные особенности прогнозирования созревания ооцитов и предложены методы автоматического анализа в качестве новых подходов к прогнозированию реакции яичников.
Вопрос исследования: можно ли создать новый биомаркер объема фолликула на основе глубокого анализа с использованием 3D-УЗИ, который бы мог помочь в оценке зрелости ооцитов, времени введения ХГЧ и индивидуальном прогнозировании гиперреакции яичников?
Дизайн: Всего было зарегистрировано 515 случаев ЭКО, и в день введения ХГЧ было проведено 3D-УЗИ. Биомаркер объема фолликула, установленный с помощью алгоритма сегментации на основе глубокого анализа, использовался для расчета оптимального объема ведущего фолликула для прогнозирования количества полученных зрелых ооцитов и оптимизации времени триггера ХГЧ. Показатели порогового значения нового биомаркера сравнивали с измерениями диаметра фолликулов при обычном двумерном ультразвуковом исследовании (2D-US) при оценке исхода получения ооцитов. Более того данные пацеинтов, исследование бесплодия и ультразвуковые биомаркеры использовались для построения моделей прогнозирования гиперответа яичников.
Ультразвуковое исследование выполнял эксперт с 8-летним опытом работы гинекологии. исследования . Каждый фолликул со средним диаметром 10 мм или более был измерен с помощью 2D-УЗИ, и было зарегистрировано количество фолликулов в обоих яичниках, основанное на сумме фолликулов в правом и левом яичниках. Затем выявляли плоскость максимального диаметра яичника, изображение стабилизировали для 3D сканирования и сохранялось в виде данных DICOM. Наконец, были исследованы гемодинамические параметры стромальной артерии. Функция автоматического условного расчета использовалась для определения пиковой систолической скорости и индекса резистентности.
Подготовка модели сегментации
Для получения биомаркера объема фолликула был использован метод искусственного интеллекта собственной разработки, основанный на глубоком изучении. Подробное технологическое описание источника информации было опубликовано отдельно (Янг и др., 2021). C-Rend — это модель глубокого изучения для точной одновременной сегментации яичников и фолликулов (РИСУНОК 1). Эта новая модель преодолевает ограничения SonoAVC, то есть отсутствие некачественных изображений и трудоемкость изображения после обработки. Трехмерная U-Net является базовой структурой C-Rend. Он содержит структуру кодер-декодер с пропускным соединением, которая обеспечивает сквозной анализ и может напрямую прогнозировать биомаркеры сегментации яичников и фолликулов при 3D-УЗИ.
Прогнозирование модели гиперответа яичников
В одномерном анализе, прогнозирующем гиперответ яичников, оценивали в общей сложности 26 характеристик, связанных с получением ооцитов. В отличие от количества фолликулов, регистрируемых при 2D узи диаметром ≥10 мм, количество фолликулов при 3D узи (трехмерный биомаркер объема фолликула ≥0,5 см3) был более сильным предиктором получения зрелых ооцитов (P <0,001). Точность многомерного классификатора MLP (многослойной модели персептрон, класс искусственных нейросетей) составила 0,890, что лучше, чем двумерное измерение диаметра (0,785) для прогнозирования гиперответа яичников.
Результаты.
- Было определено, что оптимальное пороговое значение биомаркера объема фолликула составляет 0,5 см3 для прогнозирования количества полученных зрелых ооцитов; его производительность была значительно лучше, чем у обычного метода (фолликулы диаметром ≥10 мм при 2D УЗИ).
- Пороговое значение объема ведущего фолликула для оптимизации времени введения триггера ХГЧ было определено равным 3,0 см3 и было значительно связано с большим количеством полученных зрелых ооцитов (P = 0,01).
- Точность многомерной модели персептрона была выше, чем у двумерного измерения диаметра (0,890 против 0,785) и других многомерных классификаторов при прогнозировании гиперреакции яичников (P <0,001).
ДИСКУССИЯ
Сильными сторонами исследования были установление новых критериев для прогнозирования результатов получения ооцитов и индивидуального прогнозирования гиперстимуляции яичников. Ограничения исследования включали относительно небольшой размер выборки и отсутствие некоторой информации о пациентах (например уровень ФСГ). Кроме того, это было когортное исследование, и время инъекции триггера овуляции ХГЧ не менялось. Введение новых критериев и их клиническое применение требуют проведения рандомизированного исследования, демонстрирующего, что более точное время введения ХГЧ может привести к улучшению показателей оплодотворения и наступления беременности. Кроме того, глубокий анализ обычно включает алгоритмическую задачу, которая специально изучается и улучшается при постоянном применении. Эти ограничения и дальнейшие ожидания настоящего исследования являются целями текущих исследований.
Клиническое применение методов искусственного интеллекта в области репродуктивной медицины может в конечном итоге побудить врачей вернуться к дальнейшему использованию 3D-УЗИ. В настоящее время требуются более крупные проспективные рандомизированные контролируемые исследования с использованием этой методологии.
Выводы. Методы сегментации глубокого анализа и многомерные классификаторы, основанные на 3D-УЗИ, являются потенциально эффективными подходами для оценки результатов полученных зрелых ооцитов и индивидуального прогнозирования гиперреакции яичников.
