Искусственный интеллект (ИИ) - это область компьютерных наук, которая занимается моделированием интеллектуального поведения и способностью машин имитировать когнитивное мышление, обучение и решение проблем, обычно присущих людям.
Некоторые примеры использования ИИ в медицине включают оценку костного возраста в радиологии, определение гистологических и молекулярных особенностей патологии рака молочной железы и диагностику и лечения ретинопатии, глаукомы и макулярного отека в офтальмологии. Следует заявить, что центральная догма искусственного интеллекта в медицинских приложениях заключается не в замене врача, а скорее в предоставлении инструментов для улучшения и приумножения их способности лечить болезни. Некоторые авторы предсказали, что в клиниках и больницах будущего будут компьютеры с когнитивными возможностями, которые будут помогать практически во всех процессах принятия решений. Разработка приложений искусственного интеллекта в медицине быстро продвигается вперед, и в настоящее время одобрено по меньшей мере 64 различных устройства или алгоритма искусственного интеллекта.
На ежегодных научных собраниях американского общества репродуктивной медицины и европейского общества репродукции человека и эмбриологии количество статей на основе искусственного интеллекта увеличилось в семь раз за 10-летний период времени. В настоящее время ИИ в ВРТ включает в себя такие разнообразные приложения, как протокол стимуляции, отбор сперматозоидов, дифференциация фолликулов, содержащих яйцеклетки, и "пустых фолликулов", а также прогнозирование развития эмбриона и живорождения по изображениям бластоцисты. В области компьютерных наук, биостатистики и медицинской информатики в нескольких работах были проанализированы различные приложения ИИ для определения результатов ЭКО. Общая тема, возникшая в результате каждого из этих исследований, подтвердила, что использование моделей искусственного интеллекта возможно и полезно для прогнозирования показателей успешности ЭКО.
Платформы ИИ были разработаны
❇️для оценки индивидуальной работы эмбриолога;
❇️для обеспечения гарантии качества систем культивирования;
❇️для корреляции оценок эмбриолога и систем искусственного интеллекта;
❇️для прогнозирования плоидности эмбриона, имплантации, сердцебиения плода и результатов живорождения;
❇️для замены существующей "аналоговой" системы отбора эмбрионов цифровой парадигмой.
С высокой долей вероятности ИИ станет стандартом, "новой нормой" в лабораториях ЭКО, так же быстро, как витрификация, культивирование бластоцисты и интрацитоплазматическая инъекция сперматозоидов заменили свои предшествующие технологии.
Технологии ИИ, являются многообещающим дополнением к арсеналу инструментов, доступных для борьбы с бесплодием. Этот обзор дает представление о современных методологиях отбора эмбрионов, которые являются ручной и трудоемкой задачей. ИИ обладает потенциалом для улучшения этого процесса (среди многих других) как в кабинете врача, так и в лаборатории ЭКО. Отбор эмбрионов с помощью цифровых методик превращается в автоматизированную процедуру с превосходной надежностью и воспроизводимостью, что, вероятно, приведет к увеличению частоты наступления беременности у пациенток. Появляется все больше данных, демонстрирующих полезность применения ИИ во многих областях в лаборатории ЭКО.
Золотой стандарт, применяемый к пациенткам при ВРТ с помощью ЭКО, включает перенос единственного эуплоидного эмбриона, успешную имплантацию и развитие единственного здорового доношенного ребенка. Задача специалистов, работающих в эмбриологической лаборатории, состоит в том, чтобы определить эмбрион, который с наибольшей вероятностью выполнит эту миссию.
Идеальный процесс отбора должен быть точным, неинвазивным, недорогостоящим, воспроизводимым и легко доступным для лабораторий ЭКО по всему миру через Интернет или облако. Несмотря на то, что были достигнуты большие успехи, особенно за последнее десятилетие, эта идеальная цель еще не достигнута. Отбор эмбрионов традиционно основывается на качественных оценках морфологии.
Ранние попытки разработать систему оценки для идентификации маркеров качества эмбриона были сосредоточены на
✅морфологии оплодотворенной яйцеклетки и внешнем виде, сроках и расположении пронуклеуса;
✅этапе развития эмбриона: стадии расщепления, уплотнения и морулы;
✅морфология бластоцисты и сроки ее формирования.
Текущая практика заключается в оценке изображений бластоцисты с помощью 3 параметров:
💠стадии развития бластоцисты,
💠качества внутренней клеточной массы (icm)
💠качества трофэктодермы (te).
Несмотря на то, что на это направление исследований было затрачено много усилий, эти относительно базовые морфологические параметры просто недостаточно точны, чтобы предсказать имплантацию эмбриона. Еще одна трудность, связанная с этим подходом, заключается в том, что классификация эмбрионов, как известно, субъективна и подвержена значительной вариабельности между наблюдателями. Хотя, безусловно, играют роль и другие факторы, такие как характеристики эндометрия, экспрессия генов, а также эффективность и простота переноса эмбрионов, в целом хорошо известно, что качество эмбрионов является преобладающим фактором, способствующим успешному исходу.
Однако, иногда плохая корреляция между классификацией и результатами, а также низкая согласованность действий эмбриологов при классификации эмбрионов привели к нескольким попыткам улучшить процессы подготовки эмбриологов, классификации и отбора с помощью цифровых методологий.
Неинвазивные методы оценки качества эмбрионов и плоидности морфокинетики эмбрионов позволяет использование инкубаторов замедленного действия и систем замедленной съемки (tls), что дает большие перспективы, поскольку с их помощью можно изучать непрерывное развитие эмбрионов, а также вероятность, которая пока частично не определена, на то, что существуют измеримые параметры, которые могут помочь в селекции эмбрионов.
В одном исследовании был проведен подробный анализ 247 перенесенных эмбрионов, которые либо не смогли имплантироваться, либо имплантировались полностью. Было выявлено несколько параметров, которые, по-видимому, коррелировали с исходом беременности, таких как временные точки первого и последующих дроблений или время между дроблениями. Основываясь на своих выводах, авторы разработали многомерную модель, которая классифицировала эмбрионы в tls на основе специфических временных маркеров развития и их последующей способности предсказывать имплантацию.
Недавнее проспективное клиническое исследование, проведенное Кермаком и коллегами, показало, что образование бластоцисты на 5-е сутки и количество бластоцист, пригодных для криоконсервации, были значительно выше у эмбрионов, культивируемых в tls (n= 289 эмбрионов), по сравнению со стандартным инкубатором (n = 296 эмбрионов), однако также было обнаружено, что не было существенной разницы в частоте наступления клинической беременности после переноса эмбрионов из обоих инкубаторов.
Несмотря на множество потенциальных преимуществ tls, учитывая возможность сбора и анализа обширных данных, автоматизации для классификации и прогнозирования имплантации, исследование эмбрионов на стадии дробления с использованием tls, наряду с интеллектуальным анализом данных, показало, что классическая морфологическая оценка по-прежнему дает наиболее прогностические результаты. Кроме того, недавний кокрейновский обзор, в котором изучалось использование tls, пришел к выводу, что "нет убедительных доказательств того, что tls более или менее эффективен, чем обычные методы инкубации эмбрионов" . Несмотря на возможные преимущества этой технологии, оборудование tls является дорогостоящим, требует дополнительное обучение для использования его максимального потенциала и требует индивидуального (а не группового) культивирования эмбрионов, расширенного масляного покрытия и одноэтапных питательных сред. Отсутствие надежной клинической эффективности умерило первоначальный энтузиазм, связанный с tls, в то время как сторонники системы заявляют о повышении эффективности лабораторных исследований и рабочего процесса, что не обязательно измеряется увеличением частоты клинических беременностей.
Существует еще одно важное теоретическое преимущество, которым может обладать интерпретация изображений бластоцисты ИИ по сравнению с текущей биопсией te и pgt - процессом, который широко не обсуждался в литературе. С помощью современных инвазивных методов pgt-a берется биопсия из нескольких трофобластических клеток, из этих клеток извлекается ДНК, амплифицируется и интерпретируется. В настоящее время есть сомнения относительно соответствия этих te-клеток по отношению к совокупности всей бластоцисты. С помощью методов ИИ, использующих распознавание образов, возможно изучение десятков тысяч эмбрионов в сочетании с известными результатами, такими как статус плоидности и данные о живорождении. Таким образом можно провести исследование всего эмбриона, со всеми его 100-150 клетами вместо того, чтобы ограничиваться только одним эмбрионом.
Использование ИИ для интерпретации изображений бластоцисты может быть выполнено практически мгновенно и без необходимости трудоемких шагах по биопсии эмбриона. При успешном внедрении ИИ для отбора эмбрионов маятник может даже качнуться назад в сторону переноса свежих эмбрионов и, таким образом, избежать необходимости в циклах freeze-all, который используется почти для всех современных циклов pgt-a.
Другим важным преимуществом ИИ является сокращение и, возможно, полное устранение различий между медицинскими работниками. Хорошо установлено, что воспроизводимость оценки изображения или образца варьируется у разных наблюдателей и даже у одного и того же специалиста. Это может быть связано с различными факторами, такими как усталость, рабочая нагрузка, рабочая среда и другие многочисленные переменные.
Плюс приложений с искусственным интеллектом заключается в том, что машины более эффективно, чем люди, усваивают и интерпретируют большие объемы сложных данных на основе своей массивной базы данных из ранее изученной информации и при этом каждый раз приходят к одному и тому же выводу, тем самым достигая согласованности.
Хотя использование искусственного интеллекта имеет много привлекательных аспектов, как обсуждалось выше, безусловно, существуют проблемы с любой новой и зарождающейся технологией, и искусственный интеллект не является исключением. Препятствий для внедрения нового продукта ИИ или алгоритма непосредственно у постели пациента множество и включают стандартизацию результатов, прозрачность лежащих в основе алгоритмов, вопросы конфиденциальности пациентов, взаимодействие между больницами, интеграция с различными электронными медицинскими записями и вопросы безопасности.
Кроме того, другие ключевые вопросы при оценке, разработке и усовершенствовании продукта для использования пациентами включают его интеграцию с существующими платформами, рабочими процессами и соответствие продукта национальным органам, регулирующим здравоохранение.
Более того, постоянный приток новых данных имеет решающее значение для обеспечения непрерывного обучения, валидации и доработки алгоритмов ИИ. Эти данные должны поступать из сторонних учреждений, отличных от исходного обучающего набора, чтобы алгоритмы оставались надежными.
Многие системы искусственного интеллекта представляют собой "черный ящик" и остаются непрозрачными для большинства лиц, осуществляющих лечебную деятельность. Существует очевидная потребность как в образовании, так и в профессиональной подготовке, чтобы позволить клиницистам лучше понимать и, следовательно, использовать эти технологии.
Восторг по поводу использования искусственного интеллекта должен быть умерен ясным и рациональным пониманием его надлежащего использования и ограничений. Эта дисциплина все еще находится в зачаточном состоянии, поскольку использование алгоритмов в клинических целях все еще относительно редко. Хотя нет сомнений в том, что искусственный интеллект окажет глубокое влияние на медицину, а также изменит нашу повседневную жизнь, крайне важно использовать взвешенный и осторожный подход с точки зрения его широкого внедрения, чтобы он приносил реальную и ощутимую пользу пациентам при сохранении безопасности и конфиденциальности.
