Ocena zarodków w procedurze zapłodnienia in vitro (IVF) to kluczowy etap determinujący skuteczność leczenia niepłodności. Tradycyjne metody, mimo że powszechnie stosowane, są kosztowne, niejednorodne i często inwazyjne. Z pomocą przychodzi nowy model oparty na sztucznej inteligencji – FEMI (Foundational IVF Model for Imaging), który dzięki analizie milionów obrazów zarodków pozwala na bardziej precyzyjną, nieinwazyjną ocenę ich potencjału rozwojowego. Wyniki badań opublikowano na łamach czasopisma Nature Communications.
Z tego artykułu dowiesz się…
- Jak działa model FEMI i w jaki sposób wykorzystuje sztuczną inteligencję do analizy zarodków.
- Dlaczego FEMI może zastąpić inwazyjne metody oceny zarodków w procedurze IVF.
- Jak FEMI wypada w porównaniu z innymi modelami predykcyjnymi wykorzystywanymi w embriologii.
- Jakie są potencjalne korzyści kliniczne i ograniczenia związane z wykorzystaniem tego modelu.
Tradycyjne metody oceny zarodków – wyzwania i ograniczenia
Skuteczność zapłodnienia in vitro w dużej mierze zależy od precyzyjnego doboru zarodka. Tradycyjne systemy punktacji zarodków często różnią się między klinikami, a inwazyjne testy genetyczne, takie jak PGT-A, nie są dostępne lub dozwolone we wszystkich krajach. Brak standaryzacji, wysokie koszty oraz stres emocjonalny i finansowy pacjentów wskazują na potrzebę stworzenia bardziej dostępnej, szybszej i dokładniejszej metody oceny zarodków.
Rola sztucznej inteligencji w medycynie rozrodu
Sztuczna inteligencja już od lat znajduje zastosowanie w embriologii klinicznej. Modele takie jak STORK, ERICA czy BELA umożliwiają ocenę morfologii zarodków i przewidywanie ich statusu ploidalności. Jednak większość z nich opiera się na danych wprowadzanych przez embriologów, co generuje ryzyko błędów i ogranicza skalowalność. Również zastosowanie wizualnych transformatorów (ViT) – jak w przypadku IVFormer – nie przyniosło dotąd przełomu ze względu na ograniczenia danych treningowych.
FEMI – nowa jakość w ocenie zarodków
Model FEMI wykorzystuje architekturę Vision Transformer MAE (Masked AutoEncoder), która umożliwia samouczenie (self-supervised learning) na bazie nieoznakowanych obrazów. Model został wytrenowany na ponad 18 milionach zdjęć poklatkowych zarodków z wielu klinik, co stanowi największy tego typu zbiór danych w historii embriologii klinicznej.
Aby zwiększyć precyzję analizy, obrazy zostały przycięte wokół zarodków i podzielone na zestaw treningowy (80%) oraz walidacyjny (20%). FEMI został przetestowany w sześciu zadaniach klinicznych: przewidywaniu ploidalności, ocenie jakości blastocysty, przewidywaniu czasu blastulacji, segmentacji komponentów zarodka, obserwacji zarodka oraz ocenie stadium rozwoju.
Lepsze przewidywanie ploidalności i jakości blastocysty
W zadaniach przewidywania ploidalności i jakości blastocysty FEMI znacząco przewyższył inne modele, takie jak MoViNet, VGG16, EfficientNet V2, ResNet101-RS, ConvNext czy CoAtNet. W szczególności wyróżniał się w warunkach niskiej jakości obrazu oraz wśród zarodków o niższym potencjale rozwojowym.
FEMI znacząco przewyższa inne modele referencyjne w przewidywaniu ogólnego wyniku blastocysty (BS) i wyniku masy komórek wewnętrznych w wielu zestawach danych – podkreślają autorzy badania.
Wysoka skuteczność w analizie czasu blastulacji i stadium rozwoju
Model FEMI osiąga również bardzo dobre wyniki w przewidywaniu czasu blastulacji – kluczowego momentu w rozwoju zarodka. Pozwala to na precyzyjne określenie, kiedy zarodek rozpoczyna formowanie blastocysty, co ułatwia planowanie dalszych działań w laboratorium IVF.
W przypadku oceny stadium rozwoju zarodka FEMI uzyskał dokładność 60,31%, porównywalną z 60,58% osiągniętą przez Embryovision. Model sformułował klasyfikację jako problem regresyjny, co pozwoliło na uzyskanie większej szczegółowości prognoz.
Segmentacja zarodków i komponentów blastocysty
Choć FEMI wykazał przewagę w wielu zadaniach, nie wszystkie wyniki były istotnie lepsze. W przypadku segmentacji komponentów blastocysty – takich jak trofektoderma, masa komórek wewnętrznych czy osłonka przejrzysta – model wykazał jedynie nieznaczne, statystycznie nieistotne poprawy w porównaniu do innych algorytmów.
Praktyczne zastosowanie i ograniczenia
Model FEMI może być dostosowany do konkretnych systemów punktacji stosowanych w klinikach, co znacząco zwiększa jego użyteczność. Należy jednak uwzględnić ograniczenia badania: m.in. fakt, że model był testowany na tych samych zbiorach danych, na których był trenowany, oraz że nie uwzględniał zarodków mozaikowych ani późniejszych niż 112 godzin po inseminacji.
Chociaż FEMI wykazał wysoką wydajność w różnych zadaniach, autorzy zauważyli kilka istotnych ograniczeń – zaznaczono w publikacji.
Potencjał FEMI w praktyce klinicznej
FEMI to model bazowy, który może być dalej rozwijany w kierunku przewidywania wyników implantacji, ciąży czy żywych urodzeń. Jego zdolność do samouczenia się z dużych zbiorów danych bez potrzeby ich ręcznego oznaczania czyni go szczególnie obiecującym narzędziem dla klinik zajmujących się leczeniem niepłodności.
Model może przyczynić się do standaryzacji i automatyzacji oceny zarodków, ograniczając potrzebę kosztownych, inwazyjnych i czasochłonnych procedur diagnostycznych. W dłuższej perspektywie może to oznaczać większą skuteczność zapłodnienia in vitro, niższe koszty leczenia i mniejsze obciążenie psychiczne dla pacjentów.
👉 Wyniki oraz opis badań znajdziesz pod TYM LINKIEM
Główne wnioski
- Model FEMI, oparty na architekturze Vision Transformer MAE, został wytrenowany na 18 mln zdjęć zarodków, co czyni go jednym z najbardziej zaawansowanych narzędzi w embriologii.
- FEMI znacząco przewyższa inne modele w przewidywaniu ploidalności, jakości blastocysty i czasu blastulacji, co może zwiększyć skuteczność procedur in vitro.
- Model działa nieinwazyjnie i bez udziału embriologa, co obniża koszty i ogranicza ryzyko błędu ludzkiego w ocenie zarodka.
- Mimo wysokiej wydajności, FEMI ma ograniczenia – m.in. ograniczony zakres danych i niższą skuteczność segmentacji – które należy uwzględnić przy wdrażaniu klinicznym.
Źródło:
- Nature Communications
- News Medical
