Повышение эффективности вспомогательных репродуктивных технологий с помощью искусственного интеллекта и машинного обучения на эмбриологическом этапе

Проведен систематический анализ литературных данных о возможностях использования новейших методов в области искусственного интеллекта (ИИ) в сфере вспомогательных репродуктивных технологий (ВРТ). Обзор освещает ряд иностранных и отечественных публикаций, посвященных данной теме. На основе анализа литературы был сделан вывод, что научные коллаборации в области ВРТ и ИИ открывают новые возможности работы с биологическим материалом пациентов, страдающих бесплодием, и повышают их шансы стать родителями. Более точный и стандартизированный анализ структуры и морфологии позволит клиническим эмбриологам отбирать наиболее жизнеспособные эмбрионы для переноса и использовать лучшие сперматозоиды для оплодотворения в программах ВРТ. Несмотря на то что многие методы в этой области все еще остаются экспериментальными и требуют дальнейших исследований и доработки, на их основе уже можно создавать вспомогательные системы, реализующие поддержку принятия решений. Однако репродуктивные центры нуждаются в системах. Актуальность подобных систем в современной медицине не оставляет сомнений: инструментальных средств зачастую недостаточно, границы норма-патология достаточно широкие и могут перекрываться, итоговый прогноз носит субъективный характер.

В мире наблюдается глобальная тенденция к снижению рождаемости [1]. При этом более 15% пар, желающих иметь ребенка, вынуждены обращаться за помощью к вспомогательным репродуктивным технологиям (ВРТ) [2, 3]. К сожалению, средний показатель успеха программы ВРТ около 30% [4]; из-за этого возникает дополнительная эмоциональная и финансовая нагрузка для пациентов.

В программах экстракорпорального оплодотворения (ЭКО) одним из важнейших факторов успешной беременности является качество эмбрионов, а значит, процесс отбора эмбрионов имеет критическое значение. В настоящее время отбор эмбрионов представляет собой ручной процесс, включающий оценку эмбрионов клиническими эмбриологами путем визуальной оценки морфологических признаков с использованием оптического микроскопа. Наиболее распространенной системой оценки, используемой эмбриологами, является шкала Гарднера [5]. Согласно данной классификации, эмбриолог оценивает степень развития эмбриона, качество зародышевого узла и качество трофобласта. Такие критерии допускают высокую вариабельность оценки эмбриона по данной шкале в зависимости от опыта и уровня квалификации эмбриолога [6, 7]. В связи с этим многие научные группы разрабатывают новые технологии, направленные на снижение вариабельности классификации эмбрионов и стандартизирование процедуры оценки, что позволит усовершенствовать процедуру ЭКО и привести к повышению ее эффективности.

На сегодняшний день технологии, использующие искусственный интеллект (ИИ) и машинное обучение, набирают популярность среди медицинского сообщества [8]. ИИ определяется как способность компьютера воспринимать и проявлять интеллектуальное поведение. Первые шаги к ИИ в медицине были сделаны еще в 1960-х гг., когда было введено использование наивного байесовского классификатора (простой вероятностный классификатор), за которым последовали нейронные сети, символическое (с использованием метода дерева принятия решений) и машинное обучение [9] и, наконец, нейронные сети глубокого обучения. Глубокое обучение позволяет компьютеру обнаруживать структурные зависимости в большом наборе данных благодаря использованию алгоритма обратного распространения.

Общая проблема в оценке ИИ и методов машинного обучения в медицинской отрасли заключается в том, что каждая клиническая область уникальна и требует специального подхода для решения данной проблемы. Существует ошибочная тенденция сравнивать точность ИИ в одной клинической области с другой или точность различных подходов ИИ в области, которая оценивает различные конечные точки. Это недопустимые сравнения, так как они не учитывают клинический контекст или значимость конечного результата. Необходимо соблюдать осторожность, чтобы понимать контекст, в котором работает ИИ, и преимущества, которые он обеспечивает в дополнение к текущим клиническим процессам.

Более 20 лет назад Kaufmann J. et al. предложили использовать в программах ВРТ программное обеспечение Cortex Pro, созданное на основе нейронных сетей и состоящее только из четырех критериев оценки (число полученных ооцитов, возраст пациентки, число перенесенных эмбрионов, число замороженных эмбрионов). Точность программы составляла 59%. С тех пор был достигнут значительный прогресс в использования ИИ и машинного обучения в области репродукции человека [10].

В 2018 г. на ежегодном конгрессе Европейского общества репродукции человека и эмбриологии (ESHRE) и Американского общества репродуктивной медицины (ASRM) было представлено несколько исследований на тему ИИ и машинного обучения в области репродукции человека [8].

Использование искусственного интеллекта для оценки качества сперматозоидов в программах ВРТ

Оценка качества спермы производится для изучения фертильности мужчины-партнера в бесплодной паре, а также для подбора донора. Множество работ посвящено использованию ИИ и нейронных сетей для предварительной оценки характеристик спермы и прогнозирования результатов анализа на основе базового опросника пациента. В работе Badura A. et al. описаны две модели нейронных сетей, разработанные на основе данных анкеты, включающей 11 вопросов. Одна из моделей направлена на прогнозирование общих показателей спермы, а вторая – на оценку концентрации сперматозоидов. Точность нейронной сети на тестовой выборке составила 80,95% и 85,71% соответственно. Вопросы в анкете главным образом нацелены на определение наличия негативных факторов в анамнезе пациента – употребление алкоголя и кофеина, курение, работа на вредном производстве и т.п. [11].

Аналогичное исследование показано в работе Ma J. et al. На основе данных о состоянии здоровья и привычек 100 добровольцев и их результатов анализа спермы сравнивали эффективность нейронных сетей различной архитектуры. Как показали авторы, наибольшую точность они получили, используя нейронные сети (НС) обратного распространения для качества спермы и генетический алгоритм для выбора наиболее входных признаков и оптимизации НС. Данный алгоритм авторы сравнивали с такими методами, как многосло...

Сысоева А.П., Макарова Н.П., Калинина Е.А., Скибина Ю.С., Занишевская А.А., Янчук Н.О., Грязнов А.Ю.