Применение искусственного интеллекта для повышения эффективности программ вспомогательных репродуктивных технологий

Обложка

Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Доступ платный или только для подписчиков

Аннотация

Бесплодие затрагивает до 17,5% пар репродуктивного возраста, что значительно повышает востребованность вспомогательных репродуктивных технологий (ВРТ). Однако несмотря на всевозможные преобразования и модернизацию программ, частота живорождения при экстракорпоральном оплодотворении (ЭКО) остается низкой, что приводит к необходимости проведения нескольких протоколов для достижения пациентами живорождения. Важным фактором успешности ЭКО является квалификация специалистов, но несмотря на ее высокий уровень не получается уйти от человеческого фактора и определенной доли субъективизма в работе репродуктологов и эмбриологов. Искусственный интеллект (ИИ) предлагает значительные возможности для улучшения различных аспектов ВРТ, например, модели ИИ могут точно прогнозировать дозы гормонов, а также автоматизировать УЗИ-мониторинг, сокращая время на обследование. ИИ также улучшает отбор сперматозоидов для интрацитоплазматической инъекции и помогает выбрать эмбрионы с наибольшими шансами на имплантацию, повышая точность и снижая субъективность оценки. Кроме того, ИИ может сыграть важную роль в обучении специалистов, улучшая их навыки и повышая точность принятия решений. Внедрение ИИ в клиническую практику – довольно перспективное направление для улучшения результатов ЭКО.

Полный текст

Доступ закрыт

Об авторах

Д. Д. Громенко

Башкирский государственный медицинский университет Минздрава России

Автор, ответственный за переписку.
Email: dasha.gromenko@mail.ru
ORCID iD: 0000-0001-5638-1779
SPIN-код: 4628-0186
Россия, Уфа

А. Г. Ящук

Башкирский государственный медицинский университет Минздрава России

Email: dasha.gromenko@mail.ru
ORCID iD: 0000-0003-2645-1662
SPIN-код: 2607-9150

доктор медицинских наук, профессор

Россия, Уфа

И. Д. Громенко

Медицинский Центр «Семья»

Email: dasha.gromenko@mail.ru
ORCID iD: 0000-0001-8582-660X
SPIN-код: 1500-2105
Россия, Уфа

С. Ф. Насырова

Башкирский государственный медицинский университет Минздрава России

Email: dasha.gromenko@mail.ru
ORCID iD: 0000-0002-2313-7232
SPIN-код: 7260-5293

кандидат медицинских наук, доцент

Россия, Уфа

Список литературы

  1. Cox C.M., Thoma M.E., Tchangalova N. еt al. Infertility prevalence and the methods of estimation from 1990 to 2021: a systematic review and meta-analysis. Hum Reprod Open. 2022; 2022 (4): hoac051. doi: 10.1093/hropen/hoac051
  2. Регистр вспомогательных репродуктивных технологий. Отчет за 2022 год. Российская ассоциация репродукции человека [Registry of Assisted Reproductive Technologies. Report for 2022. Russian Association of Human Reproduction (in Russ.)].
  3. Chambers GM., Dyer S., Zegers-Hochschild F. et al. International Committee for Monitoring Assisted Reproductive Technologies world report: assisted reproductive technology, 2014. Hum Reprod. 2021; 36 (11): 2921–34. doi: 10.1093/humrep/deab198
  4. Ratna M.B., Bhattacharya S., McLernon D.J. External validation of models for predicting cumulative live birth over multiple complete cycles of IVF treatment [published correction appears in Hum Reprod. 2024 May 10: deae099. doi: 10.1093/humrep/deae099]. Hum Reprod. 2023; 38 (10): 1998–2010. doi: 10.1093/humrep/dead165
  5. Storr A., Venetis CA., Cooke S. Inter-observer and intra-observer agreement between embryologists during selection of a single Day 5 embryo for transfer: a multicenter study. Hum Reprod. 2017; 32 (2): 307–14. doi: 10.1093/humrep/dew330
  6. Khosravi P., Kazemi E., Zhan Q. et al. Deep learning enables robust assessment and selection of human blastocysts after in vitro fertilization. NPJ Digit Med. 2019; 2: 21. doi: 10.1038/s41746-019-0096-y
  7. Trolice MP., Curchoe C., Quaas AM. Artificial intelligence-the future is now. J Assist Reprod Genet. 2021; 38 (7): 1607–12. doi: 10.1007/s10815-021-02272-4
  8. Wang R., Pan W., Jin L. et al. Artificial intelligence in reproductive medicine. Reproduction. 2019; 158 (4): R139-R154. doi: 10.1530/REP-18-0523
  9. Селиверстов П.В., Гриневич В.Б., Шаповалов В.В. и др. Повышение эффективности скрининга хронических неинфекционных заболеваний с использованием технологий на основе искусственного интеллекта. Лечащий врач. 2024; 27 (4): 97–104 [Seliverstov P.V., Grinevich V.B., Shapovalov V.V. et al. Improving the effectiveness of screening for chronic noncommunicable diseases using artificial intelligence-based technologies. Lechaschi Vrach. 2024; 27 (4): 97–104 (in Russ.)]. doi: 10.51793/OS.2024.27.4.014
  10. Клинические рекомендации «Женское бесплодие», 2024 [Clinical Guidelines “Female Infertility”, 2024 (in Russ.)].
  11. Fanton M., Nutting V., Rothman A. et al. An interpretable machine learning model for individualized gonadotrophin starting dose selection during ovarian stimulation. Reprod Biomed Online. 2022; 45 (6): 1152–9. doi: 10.1016/j.rbmo.2022.07.010
  12. Kuokkanen S., Pal L. Follicle-stimulating hormone (and luteinizing hormone) in ovarian stimulation: Does the dose matter for cycle success? Fertil Steril. 2023; 119 (2): 166–9. doi: 10.1016/j.fertnstert.2022.12.019
  13. Correa N., Cerquides J., Arcos J.L. et al. Supporting first FSH dosage for ovarian stimulation with machine learning. Reprod Biomed Online. 2022; 45 (5): 1039–45. doi: 10.1016/j.rbmo.2022.06.010
  14. Hariton E., Pavlovic Z., Fanton M. et al. Applications of artificial intelligence in ovarian stimulation: a tool for improving efficiency and outcomes. Fertil Steril. 2023; 120 (1): 8–16. doi: 10.1016/j.fertnstert.2023.05.148
  15. Robertson I., Chmiel F.P., Cheong Y. Streamlining follicular monitoring during controlled ovarian stimulation: a data-driven approach to efficient IVF care in the new era of social distancing. Hum Reprod. 2021; 36 (1): 99–106. doi: 10.1093/humrep/deaa251
  16. Mathur P., Kakwani K., Diplav et al. Deep Learning based Quantification of Ovary and Follicles using 3D Transvaginal Ultrasound in Assisted Reproduction. Annu Int Conf IEEE Eng Med Biol Soc. 2020; 2020: 2109–12. doi: 10.1109/EMBC44109.2020.9176703
  17. Noor N., Vignarajan C.P., Malhotra N. et al. Three-Dimensional Automated Volume Calculation (Sonography-Based Automated Volume Count) versus Two-Dimensional Manual Ultrasonography for Follicular Tracking and Oocyte Retrieval in Women Undergoing in vitro Fertilization-Embryo Transfer: A Randomized Controlled Trial. J Hum Reprod Sci. 2020; 13 (4): 296–302. doi: 10.4103/jhrs.JHRS_91_20
  18. Lersten I.L., Grau L., Jahandideh S. et al. High estradiol levels in fresh embryo transfer cycles are not associated with detrimental impact on birth outcomes. J Assist Reprod Genet. 2024; 41 (4): 893–902. doi: 10.1007/s10815-024-03062-4
  19. Hariton E., Chi E.A., Chi G. et al. A machine learning algorithm can optimize the day of trigger to improve in vitro fertilization outcomes. Fertil Steril. 2021; 116 (5): 1227–35. doi: 10.1016/j.fertnstert.2021.06.018
  20. Fanton M., Nutting V., Solano F. et al. An interpretable machine learning model for predicting the optimal day of trigger during ovarian stimulation. Fertil Steril. 2022; 118 (1): 101–8. doi: 10.1016/j.fertnstert.2022.04.003
  21. Polyzos N.P., Drakopoulos P., Parra J. et al. Cumulative live birth rates according to the number of oocytes retrieved after the first ovarian stimulation for in vitro fertilization/intracytoplasmic sperm injection: a multicenter multinational analysis including ~15,000 women. Fertil Steril. 2018; 110 (4): 661-670.e1. doi: 10.1016/j.fertnstert.2018.04.039
  22. Fanton M., Cho J.H., Baker V.L. et al. A higher number of oocytes retrieved is associated with an increase in fertilized oocytes, blastocysts, and cumulative live birth rates. Fertil Steril. 2023; 119 (5): 762–9. doi: 10.1016/j.fertnstert.2023.01.001
  23. World Health Organization. Laboratory manual for the examination and processing of human semen. 6th ed. WHO, 2021. URL: https://apps.who.int/iris/handle/10665/343208
  24. Amann R.P., Waberski D. Computer-assisted sperm analysis (CASA): capabilities and potential developments. Theriogenology. 2014; 81 (1): 5-17.e1-3. doi: 10.1016/j.theriogenology.2013.09.004
  25. Goodson S.G., White S., Stevans A.M. et al. CASAnova: a multiclass support vector machine model for the classification of human sperm motility patterns. Biol Reprod. 2017; 97 (5): 698–708. doi: 10.1093/biolre/iox120
  26. Somasundaram D., Nirmala M. Faster region convolutional neural network and semen tracking algorithm for sperm analysis. Comput Methods Programs Biomed. 2021; 200: 105918. doi: 10.1016/j.cmpb.2020.105918
  27. Dai C., Zhang Z., Jahangiri S. et al. Automated motility and morphology measurement of live spermatozoa. Andrology. 2021; 9 (4): 1205–13. doi: 10.1111/andr.13002
  28. Montjean D., Godin Pagé M.H., Pacios C. et al. Automated Single-Sperm Selection Software (SiD) during ICSI: A Prospective Sibling Oocyte Evaluation. Med Sci (Basel). 2024; 12 (2): 19. doi: 10.3390/medsci12020019
  29. Методические рекомендации «Оценка ооцитов и эмбрионов в лаборатории ВРТ». Российская Ассоциация Репродукции Человека, Секция «Клиническая эмбриология», 2021 [Methodological recommendations “Evaluation of oocytes and embryos in the laboratory of assisted reproductive technologies”. Russian Association of Human Reproduction, Section “Clinical Embryology”, 2021 (in Russ.)].
  30. Bormann C.L., Thirumalaraju P., Kanakasabapathy M.K. et al. Consistency and objectivity of automated embryo assessments using deep neural networks. Fertil Steril. 2020; 113 (4): 781-787.e1. doi: 10.1016/j.fertnstert.2019.12.004
  31. Fordham D.E., Rosentraub D., Polsky A.L. et al. Embryologist agreement when assessing blastocyst implantation probability: is data-driven prediction the solution to embryo assessment subjectivity? Hum Reprod. 2022; 37 (10): 2275–90. doi: 10.1093/humrep/deac171
  32. Bormann C.L., Kanakasabapathy M.K., Thirumalaraju P. et al. Performance of a deep learning based neural network in the selection of human blastocysts for implantation. Elife. 2020; 9: e55301. doi: 10.7554/eLife.55301
  33. Farias A.F., Chavez-Badiola A., Mendizabal-Ruiz G. et al. Automated identification of blastocyst regions at different development stages. Sci Rep. 2023; 13 (1): 15. doi: 10.1038/s41598-022-26386-6
  34. Diakiw S.M., Hall J.M.M., VerMilyea M. et al. An artificial intelligence model correlated with morphological and genetic features of blastocyst quality improves ranking of viable embryos. Reprod Biomed Online. 2022; 45 (6): 1105–17. doi: 10.1016/j.rbmo.2022.07.018
  35. Fitz V.W., Kanakasabapathy M.K., Thirumalaraju P. et al. Should there be an "AI" in TEAM? Embryologists selection of high implantation potential embryos improves with the aid of an artificial intelligence algorithm. J Assist Reprod Genet. 2021; 38 (10): 2663–70. doi: 10.1007/s10815-021-02318-7
  36. Cherouveim P., Jiang V.S., Kanakasabapathy M.K. et al. Quality assurance (QA) for monitoring the performance of assisted reproductive technology (ART) staff using artificial intelligence (AI). J Assist Reprod Genet. 2023; 40 (2): 241–9. doi: 10.1007/s10815-022-02649-z

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать

© ИД "Русский врач", 2025