Авторы данного исследования задались вопросом: Могут ли модели генеративного искусственного интеллекта (ИИ) создавать высокоточные изображения бластоцист человека? Авторы утверждают, что генеративные модели ИИ демонстрируют способность создавать высокоточные изображения бластоцисты человека, а это, в свою очередь, поможет предоставить существенные обучающие наборы данных, имеющие решающее значение для разработки надежных моделей ИИ. А это должно способствовать интеграции ИИ в процедуры ЭКО для повышения объективности и автоматизации отбора эмбрионов для переноса. но следует учитывать, что эффективность ИИ ограничена дефицитом данных и этическими проблемами, связанными с конфиденциальностью данных пациентов. Поэтому использование генеративно-состязательных сетей (GAN) является многообещающим подходом к устранению ограничений данных путем генерации синтетических данных, которые максимально приближены к реальным изображениям.
Авторы исследования отобрали в общей сложности 972 изображения бластоцист в качестве обучающих данных, где кадры были сделаны в течение временного окна 110–120 часов после оплодотворения с интервалом в 1 час из видео TLM. Была настроена модель GAN на основе стиля с помощью дополнения данных (AUG) и предварительно обученных весов (Pretrained-T: с эквивариантностью трансляции; Pretrained-R: с эквивариантностью трансляции и вращения), чтобы сравнить их оптимизацию при синтезе изображений. Затем авторы применили количественные метрики, включая начальное расстояние Фреше (FID) и начальное расстояние ядра (KID), чтобы оценить качество и точность сгенерированных изображений. Затем была проведена оценка качественной производительности, измеряя интеллектуальное поведение модели с помощью визуального теста Тьюринга. С этой целью 60 человек с различным опытом и опытом в клинической эмбриологии и ЭКО( в основном специалисты, работающие в области репродуктивного здоровья, в таких центрах ЭКО, как Homerton Healthcare NHS Foundation Trust, Oslo University Hospital, Baltic Fertility Society, UZ Brussel, UZ Leuven, Amsterdam University Medical Center (UMC), UMC Utrecht, UMC Groningen, Radboud UMC и Maastricht UMC) оценили качество синтетических изображений эмбрионов. Эти оценщики были разделены на три группы: Группа I состояла из 25 опытных эмбриологов, 19 из которых имели более 5 лет опыта в оценке качества эмбрионов; Группа II состояла из 15 лаборантов ЭКО, 10 из которых имели более 5 лет опыта работы с эмбрионами ЭКО; а группа III включала 20 неспециалистов, не имевших опыта микроскопической визуализации человеческих эмбрионов. Каждый оценщик независимо оценивал набор из 100 изображений бластоцисты, включающий 50 синтетических и 50 аутентичных изображений. Только 8% сгенерированных изображений (4 из 50) были обнаружены этими экспертами как "поддельные" после визуального теста Тьюринга из-за особенностей, которые были сочтены искусственными. Одним из наиболее примечательных наблюдений было наличие аккуратно расположенных маленьких пузырьков, белых точек или артефактов в прозрачной зоне, которые были восприняты как искусственные и не соответствовали истинным изображениям бластоцист. В частности, полученные изображения вылупившихся бластоцист демонстрировали различную степень искажения в вылупившихся клетках, что отличало их от типичного внешнего вида клеток на изображениях реальных бластоцист. Кроме того, авторы представили сгенерированные изображения, которым удалось обмануть значительное большинство экспертов (80%, n ¼20), поскольку они не были сразу распознаны как поддельные изображения.
Таким образом, синтез изображений человеческих эмбрионов с использованием генеративных моделей открывает большие перспективы в разработке методов ИИ в репродуктивной медицине. В первую очередь, он может предоставить обширные данные, где синтетические изображения эмбрионов демонстрируют разнообразные характеристики развития. Это существенно улучшит данные обучения, дав возможность методам на основе ИИ преуспеть в оценке качества эмбрионов и потенциала развития. В частности, генеративные модели могут предоставить достаточные данные в редких (аномальных) событиях во время эмбриогенеза. Во-вторых, включение сгенерированных изображений прокладывает путь к разработке и проверке инновационных систем оценки эмбрионов. Эти системы могут интегрировать динамические морфологические признаки, предлагая потенциал для более всеобъемлющих и точных оценок.
В конечном итоге это может привести к улучшению процедур отбора эмбрионов и повысить показатели успешности процедур ЭКО.
