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


Цитировать

Полный текст

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

Аннотация

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.

Полный текст

Доступ закрыт

Об авторах

Анастасия Павловна Сысоева

Федеральное государственное бюджетное учреждение «Национальный медицинский исследовательский центр акушерства, гинекологии и перинатологии имени академика В.И. Кулакова» Министерства здравоохранения Российской Федерации

Email: sysoeva.a.p@gmail.com
эмбриолог отделения вспомогательных технологий в лечении бесплодия

Наталья Петровна Макарова

Федеральное государственное бюджетное учреждение «Национальный медицинский исследовательский центр акушерства, гинекологии и перинатологии имени академика В.И. Кулакова» Министерства здравоохранения Российской Федерации

Email: np_makarova@oparina4.ru
д.б.н., ведущий научный сотрудник отделения вспомогательных технологий в лечении бесплодия

Елена Анатольевна Калинина

Федеральное государственное бюджетное учреждение «Национальный медицинский исследовательский центр акушерства, гинекологии и перинатологии имени академика В.И. Кулакова» Министерства здравоохранения Российской Федерации

Email: e_kalinina@oparina4.ru
д.м.н., руководитель отделения вспомогательных технологий в лечении бесплодия

Юлия Сергеевна Скибина

ООО НПП «Наноструктурная Технология Стекла»; МНОЦ «Структурная нанобиофотоника»

Email: director@nano-glass.ru
к.ф. -м.н., директор

Анастасия Андреевна Занишевская

ООО НПП «Наноструктурная Технология Стекла»; МНОЦ «Структурная нанобиофотоника»

Email: zanishevskayaaa@nano-glass.ru
старший научный сотрудник, руководитель отдела перспективных исследований

Наталья Олеговна Янчук

ООО НПП «Наноструктурная Технология Стекла»; МНОЦ «Структурная нанобиофотоника»

Email: info@nano-glass.ru
к.м.н., руководитель отделения сенсорных технологий, заместитель директора

Алексей Юрьевич Грязнов

ООО НПП «Наноструктурная Технология Стекла»; МНОЦ «Структурная нанобиофотоника»

Email: info@nano-glass.ru
ведущий научный сотрудник, руководитель отделения «системы принятия решений»

Список литературы

  1. GBD 2017 Population and Fertility Collaborators. Population and fertility by age and sex for 195 countries and territories, 1950-2017: a systematic analysis for the Global Burden of Disease Study 2017. Lancet. 2018; 392(10159): 1995-2051. https://dx.doi.org/10.1016/S0140-6736(18)32278-5.
  2. Mascarenhas M.N., Flaxman S.R., Boerma T., Vanderpoel S., Stevens G.A. National, regional, and global trends in infertility prevalence since 1990: a systematic analysis of 277 health surveys. PLoS Med. 2012; 9(12): e1001356. https://dx.doi.org/10.1371/journal.pmed.1001356.
  3. Turchi P. Prevalence, definition, and classification of infertility. In: Cavallini G., Beretta G. Clinical management of male infertility. Springer; 2015: 5-11.
  4. Wang J., Sauer M.V. In vitro fertilization (IVF): a review of 3 decades of clinical innovation and technological advancement. Ther. Clin. Risk Manag. 2006; 2(4): 355-64. https://dx.doi.org/10.2147/tcrm.2006.2.4.355.
  5. Gardner D.K., Sakkas D. Assessment of embryo viability: the ability to select a single embryo for transfer - a review. Placenta. 2003; 24(Suppl. B): S5-12. https://dx.doi.org/10.1016/s0143-4004(03)00136-x.
  6. Baxter A., Mayer J., Shipley S., Catherino W. Interobserver and intraobserver variation in day 3 embryo grading. Fertil. Steril. 2006; 86(6): 1608-15. https:// dx.doi.org/10.1016/j.fertnstert.2006.05.037.
  7. Storr A., Venetis C. A., Cooke S., Kilani S., Ledger W. Inter-observer and intraobserver agreement between embryologists during selection of a single Day 5 embryo for transfer: a multicenter study. Hum. Reprod. 2017; 32(2): 307-14. https://dx.doi.org/10.1093/humrep/dew330.
  8. Curchoe C.L., Bormann C.L. Artificial intelligence and machine learning for human reproduction and embryology presented at ASRM and ESHRE 2018. J. Assist. Reprod. Genet. 2019; 36(4): 591-600. https://dx.doi.org/10.1007/ s10815-019-01408-x.
  9. Kononenko I. Machine learning for medical diagnosis: history, state of the art and perspective. Artif. Intell. Med. 2001; 23(1): 89-109.
  10. Kaufmann J., Eastaugh J., Snowden S., Smye S., Sharma V. The application of neural networks in predicting the outcome of in-vitro fertilization. Hum. Reprod. 1997; 12(7): 1454-7. https://dx.doi.org/10.1093/humrep/12.7.1454.
  11. Badura A., Marzec-Wroblewska U., Kaminski P., Lakota P., Ludwikowski G., Szymanski M., Karolina Wasilow K. Prediction of semen quality using artificial neural network. J. Appl. Biomed. 2019; 17(3): 167-74. https://dx.doi. org/10.32725/jab.2019.015.
  12. Ma J., Zhen A., Guan S., Liu C., Huang X. Predicting seminal quality using back-propagation neural networks with optimal feature subsets.In: International conference on brain inspired cognitive systems. Springer; 2018: 25-33.
  13. Gil D., Girela J.L., De Juan J., Gomez-Torres M.J., Johnsson M. Predicting seminal quality with artificial intelligence methods. Expert Syst. Appl. 2012; 39(16): 12564-73.
  14. Helwan A., Khashman A., Olaniyi E.O., Oyedotun O.K., Oyedotun O.A. Seminal quality evaluation with RBF neural network Bull. Transilvania Univ. Brasov. Mathematics, Informatics, Physics. Series III. 2016; 9(2): 137.
  15. Wald M., Sparks A., Sandlow J., Van-Voorhis B., Syrop C.H., Niederberger C.S. Computational models for prediction of IVF/ICSI outcomes with surgically retrieved spermatozoa. Reprod. Biomed. Online. 2005; 11(3): 325-31. https:// dx.doi.org/ 10.1016/s1472-6483(10)60840-1.
  16. Mostaar A., Sattari M., Hosseini S., Deevband M.R. Use of artificial neural networks and PCA to predict results of infertility treatment in the ICSI method. J. Biomed. Phys. Eng. 2019; 9(6): 679-86. https://dx.doi.org/10.31661/jbpe. v0i0.1187.
  17. Linneberg C., Salamon P., Svarer C., Hansen L.K., Meyrowitsch J. Towards semen quality assessment using neural networks In: Proceedings of IEEE Workshop on Neural Networks for Signal Processing. 1994: 509-17.
  18. Mirsky S., Barnea I., Levi M., Greenspan H., Shaked N.T. Automated analysis of individual sperm cells using stain-free interferometric phase microscopy and machine learning. Cytometry A. 2017; 91(9): 893-900. https://dx.doi. org/10.1002/cyto.a.23189.
  19. Alegre E., Biehl M., Petkov N., Sanchez L. Automatic classification of the acrosome status of boar spermatozoa using digital image processing and LVQ. Comput. Biol. Med. 2008; 38(4): 461-8.
  20. Bijar A., Benavent A.P., Mikaeili M., Khayati R. Fully automatic identification and discrimination of sperm’s parts in microscopic images of stained human semen smear. J. Biomed. Sci. Eng. 2012; 5(7): 384-95. https://dx.doi.org/10.4236/ jbise.2012.57049.
  21. Tsai V., Zhuang B. MP46-10 An at-home system that adapts to different types of mobile phones for measuring sperm motility - verification of its performance of artificial intelligence (AI) sperm image recognition with cloud computing. J. Urol. 2019; 201(Suppl. 4). https://dx.doi.org/10.1097/01. JU.0000556302.57109.2b.
  22. Manna C., Nanni L., Lumini A., Pappalardo S. Artificial intelligence techniques for embryo and oocyte classification. Reprod. Biomed. Online. 2013; 26(1): 42-9.
  23. Rocha J., Passalia F., Matos F. et al. A method based on artificial intelligence to fully automatize the evaluation of bovine blastocyst images. Scientific Rep. 2017; 7(1): 1-10.
  24. VerMilyea M., Hall J.M.M., Diakiw S.M., Johnston A., Nguyen T., Perugini D. et al. Development of an artificial intelligence-based assessment model for prediction of embryo viability using static images captured by optical light microscopy during IVF. Hum. Reprod. 2020; 35(4): 770-84. https://dx.doi. org/10.1093/humrep/deaa013.
  25. Kanakasabapathy M., Thirumalaraju P., Bormann C., Kandula H. et al. Development and evaluation of inexpensive automated deep learning-based imaging systems for embryology. Lab. Chip. 2019; 19(24): 4139-45.
  26. Miyagi Y., Habara T., Hirata R. et al. Feasibility of artificial intelligence for predicting live birth without aneuploidy from a blastocyst image. Reprod. Med. Biol. 2019; 18(2): 204-11.
  27. Wong C., Loewke K.E., Bossert N., Behr B., De Jonge C.J., Baer T.M., Reijo Pera R.A. Non-invasive imaging of human embryos before embryonic genome activation predicts development to the blastocyst stage. Nat. Biotechnol. 2010; 28(10): 1115.
  28. Conaghan J., Chen A., Willman S., Ivani K., Chenette P.E., Boostanfar R. et al. Improving embryo selection using a computer-automated time-lapse image analysis test plus day 3 morphology: results from a prospective multicenter trial. Fertil. Steril. 2013; 100(2): 412-9.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать

© ООО «Бионика Медиа», 2020