Морфология эмбриона изначально была единственным методом оценки качества и жизнеспособности эмбриона. Выявление и отбор высококачественного эмбриона для переноса является ключевым компонентом улучшения показателей беременности; однако морфология сама по себе не может гарантировать получение эуплоидного эмбриона или успешную имплантацию. Появление секвенирования следующего поколения и продвижение преимплантационного генетического тестирования на анеуплоидию (PGT-A) привело к генетическому возрождению, которое будет продолжать расти. Однако, важно отметить, что пациент теряет время в ожидании результатов, увеличивается количество эмбриологической работы и постоянные опасения, связанные с долгосрочными последствиями отбора проб трофэктодермы.
В этом исследовании описывается использование системы искусственного интеллекта (ИИ) (состоящей из сверточных нейронных сетей (CNN), машин опорных векторов (SVM) и многослойных нейронных сетей (NN) для повышения точности прогнозирования статуса плоидности эмбриона), которая объединяет изображения бластоцисты с характеристиками пациенток.
Данные были собраны в Центре фертильности Массачусетской больницы общего профиля (MGH) в Бостоне. Покадровые видеосъемки эмбрионов были записаны с использованием коммерческой покадровой системы визуализации (EmbryoScope, Vitrolife). Производились покатывая видеосъемка развития эмбрионов. Полученные изображения оцинковывали и передавали на анализ нейтронным сетям.
Был создан алгоритм, который использует информацию, собранную из нескольких моделей машинного обучения (ИИ), для повышения общей производительности для данной задачи, в идеале достигая лучшей производительности, чем любая отдельная модель, используемая в алгоритме. Эмбрионы оценивали на стадии бластоцисты 5-го дня, перед биопсией трофэктодермы и витрификацией.
Наиболее распространенными диагнозами бесплодия среди всей когорты пациентов были мужской фактор (34,8%), необъяснимое бесплодие (13,9%) и снижение овариального резерва. При сравнении анеуплоидных эмбрионов с эуплоидными эмбрионами анеуплоидные эмбрионы были получены от пациентов позднего репродуктивного возраста с меньшим количеством ооцитов, меньшее количество оплодотворений и меньшее количество высококачественных бластоцист. Никаких других статистически значимых различий среди анеуплоидных и эуплоидных эмбрионов не было отмечено.
Из 699 эмбрионов бластоцисты 5 дней в тестовом наборе CNN 360 эмбрионов были анеуплоидными и 339 эмбрионов были эуплоидными при тестировании PGT-A.
При оценке только изображений бластоцисты точность теста CNN составила 61,2% (±1,32%) при правильном разделении эуплоидных / анеуплоидных эмбрионов. При использовании созданного алгоритма, который учитывает не только изображения, но и клинические данные пациентов, точность теста улучшилась до 65,0% (где учитывался АМГ), 66,4% (где учитывался материнский возраст, AMГ, количество оплодотворенных яйцеклеток) и 71,4% (материнский возраст, AMГ, количество оплодотворенных яйцеклеток, качество спермы.
Таким образом, комбинируя CNN с характеристиками пациента, можно создать ИИ для повышения точности в определении эмбрионов как эуплоидных / анеуплоидных, что позволяет ИИ служить потенциальным неинвазивным методом, помогающим в скрининге кариотипов и отборе эмбрионов.