כלי AI חדש, מיומן באמצעות 18 מיליון תמונות עוברים, יכול להחליף בדיקות IVF פולשניות, ולהציע בחירת עוברים מהירה יותר, זולה ומדויקת יותר.
מחקר: מודל יסודי להפריה חוץ גופית שהוכשרו על 18 מיליון תמונות זמן לשעבר. קרדיט תמונה: krakenimages.com/shutterstock.com
א מחקר שפורסם ב תקשורת טבע מציג את מודל IVF היסודי להדמיה (FEMI), גישה חדשה להערכת עוברים ב בַּמַבחֵנָה הפריה (IVF). המחקר העריך את ביצועי FEMI על חיזוי פלואידי, חיזוי זמן פיצוץ, פילוח רכיבי עוברים, ניקוד איכות בלסטוציסט, עדות לעובר ותחזית שלב.
מה קובע IVF מוצלח?
IVF מוצלח תלוי בהערכה מדויקת ובבחירה של עוברים בר -קיימא. לשיטות הערכת עוברים מסורתיות יש מגבלות רבות, כולל היעדר סטנדרטיזציה, עלויות גבוהות ותקנות שונות הנוגעות לבדיקה גנטית לפני ההשתלה לאנאופולידי (PGT-A) במדינות שונות.
וריאציות במערכות ניקוד וכלי אבחון משפיעים באופן משמעותי על בחירת עוברים נאותה, העלולה להשפיע לרעה על שיעורי ההצלחה של IVF ועל תוצאות המטופלים. לפיכך, שיטה יעילה יותר, סבירה ולא פולשנית נדרשת בדחיפות להעריך עוברים כדי לשפר את שיעורי ההצלחה של IVF ולמנוע את המתח הרגשי והפיננסי על החולים.
תפקיד הבינה המלאכותית (AI) ב- IVF
בינה מלאכותית (AI) נעשה שימוש כדי לחזות את המורפולוגיה של עוברים ומצבם של עוברים, וזה חיוני להליך IVF מוצלח. למרות שמודלים רבים של למידה עמוקה, כמו חסידה ואריקה, הראו פוטנציאל ניכר בניתוח מורפולוגיה של עוברים על בסיס תמונות, מודלים אלה מסתמכים על נתונים מבוססי תמונה ועל קלט עוברי.
החוקרים המשיכו לטפל בחסרונות ופיתחו מודלים חדשים עם יעילות גבוהה יותר או שיפרו את הדיוק החזוי של המודלים הקיימים. לדוגמה, אלגוריתם הלמידה של הערכת בלסטוציסט (BELA) יכול לחזות סטטוס פלואידי באמצעות גישה למידה מרובת משימות ללא כל סיוע באמבריולוג. עם זאת, מודל זה מוגבל לחיזוי ציוני איכות עוברים ומצב פלואידי.
שנאי חזון (VITS) הם ארכיטקטורת מודל יסוד עם גישה מבוססת שנאי. גישה זו מאפשרת למודל לתפוס דפוסים מורכבים בתוך תמונות. יתרון נוסף של VITS הוא היכולת שלהם לעבד נתונים בקנה מידה גדול. אף על פי ששימוש בגישה זו כדי לפתח IVFORMER, יישומה מוגבל בגלל גיוון נתונים לא מספיק.
פיתוח מודל Femi
מודל ה- Femi החדש שפותח משתמש במקוד האוטומטי של השנאי הראייה (Vit MAE), המסייע ללמידה מפוקחת עצמית (SSL) בבנייה מחדש של התמונה המקורית מכניסה רעילה. גישת מבנה המקודדים של מקודדים של ה- VIT MAE מאפשרת ללמוד עובדות חיוניות לגבי מערך הנתונים.
מודל ה- FEMI הוכשר באמצעות מערך נתונים מגוון של כ 18 מיליון תמונות זמן-זמן ממרפאות מרובות. עבור מערך האימונים, נבחרו תמונות זמן-שפה שצולמו לאחר 85 שעות לאחר ההנחיה (HPI) בעומק ציר Z. כדי להגדיל את הלמידה, התמונות נחתכות בחוזקה סביב העוברים. מערך הנתונים של תמונת הזמן-זמן חולק לאימונים של 80% ו -20% פיצול אימות, והתייחס לכל תמונה כאל מדגם עצמאי.
המחקר הנוכחי העריך את הדיוק החזוי של FEMI במשימות קליניות מרובות, כמו ניקוד איכות בלסטוציסט, חיזוי פלואידי, תחזית זמן פיצוץ, פילוח רכיבי עוברים, עדות לעובר ותחזית שלב. עבור מרבית המשימות, המודל נחשב אך ורק לתמונות זמן חד-פעמיות; עם זאת, הוא השתמש בכניסת הווידיאו לצורך ניקוד איכותי של Blastocyst וחיזוי פלואידי. גיל האם שולב למשימות חיזוי פלודיות בגלל השפעתו הידועה על חריגות כרומוזומליות.
המודל תוכנן גם להיות מכוון עדין למערכות ניקוד ספציפיות למרפאה, ולשפר את יכולת ההסתגלות בעולם האמיתי.
FEMI מראה פוטנציאל לשיפור שיעורי ההצלחה של IVF
הביצועים של FEMI במשימות חיזוי פלואידי הושוו לעומת דגמים שונים של תמונת מדד וווידיאו, כמו דגם MovInet, VGG16, AfficientNet V2, Resnet101-RS, ConvNext ו- Coatnet. מחקר זה ציין כי FEMI עולה באופן משמעותי על כל מודלי ההשוואה. זה גם הדגים דיוק מעולה בחיזוי פלואידי בתנאים באיכות העובר הנמוכה.
המחקר הנוכחי הדגיש כי FEMI ביצעה באופן משמעותי את דגמי ההתייחסות האחרים על ציון הבלסטוציסט הכולל (BS) ותחזית ציון מסה פנימית בתאים במערכי נתונים מרובים. FEMI גם ביצעה את כל הדגמים לציוני ההתרחבות וה- TrophectoDerm בכניסות תמונה וגם בווידיאו.
פילוח רכיבי Blastocyst, כמו Zona Pellucida (ZP), ה- Trophectoderm ומסת התאים הפנימית, הוא קריטי בתהליכים האנליטיים במורד הזרם. עם זאת, FEMI לא העלו על ביצועים משמעותיים במודלים אחרים במשימות אלה; זה הראה עלייה לא משמעותית בציון הקוביות, מה שמרמז על ביצועים דומים.
FEMI ביצעה ביצועים טובים יותר מכל מודלים ההשוואתיים לעובדים בעוברים בכל מערכי הנתונים למעט מערך ה- Weill ES. חיזוי מדויק של זמן הפיצוץ מסייע לעוברים להעריך את איכות העובר ולתכנן תהליכי הדמיה לאחר מכן. FEMI יכול היה לחזות במדויק את השעות שלאחר ההנחיה בהן עובר מתחיל ליצור בלסטוציסט.
חשוב לחזות במדויק את שלב העובר כדי לפקח על ההתקדמות ההתפתחותית ולייעל את התוצאות בהליכי IVF. עבור דגמי FEMI ומודלים אחרים, סיווג עוברים גובש כמשימת רגרסיה ולא כבעיית סיווג מסורתית, מה שמאפשר גרגיריות חיזוי עדינה יותר. במשימה זו, FEMI השיגה דיוק Top-1 של 60.31%, בהשוואה ל 60.58%של Embryovision, והצליחו לבצע את ביצועי הדגמים האחרים. ממצאים אלה הדגישו את היתרון בשימוש ב- SSL על נתונים רחבי היקף ללא תווית לעיבוד תכונות התפתחותיות מורכבות.
בעוד ש- FEMI הראתה בעקביות תוצאות חזקות, מידת השיפור השתנתה בין מערכי נתונים ומשימות.
השלכות קליניות
בעוד FEMI הדגימה ביצועים גבוהים על פני משימות שונות, המחברים מציינים מספר מגבלות משמעותיות. משימות התחזית של הפילוח והבמה הוכשרו ונבדקו באותם מערכי נתונים כתוצאה מנתונים מוגבלים עם תווית, מה שעלול להשפיע על ההכללות. חיזוי פלואידי הוחלף עוברי פסיפס והשתמשו רק בנתונים של עד 112 HPI, אם כי כמה עוברים בר -קיימא התפתחו מאוחר יותר.
מערכי נתונים רבים היו ממרפאות גבוהות משאבים, מה שעשוי להגביל את תחולתה המיידית של FEMI בסביבות קליניות נמוכות יותר או משתנות מאוד.
למרות מגבלות אלה, העיצוב של FEMI כמודל יסוד מאפשר כוונון עדין והתאמה עדין עם מערכי נתונים רחבים יותר. המחברים מציעים להשתמש בו כעמוד שדרה למשימות חיזוי קליניות אחרות, כמו השתלה או לידה חיה, בהמתנה לגישה לתוויות רלוונטיות.
המחקר מציג FEMI ככלי מבטיח לסטנדרטיזציה ושיפור הערכת העובר ב- IVF. שימוש בלמידה מפוקחת עצמית על מערך נתונים גדול ומגוון מאפשר לו להכליל היטב על פני משימות ולהעלות על דגמים מסורתיים. הכותבים מכירים במגבלותיה, כולל ביצועי פילוח והיקף מערך נתונים, ויש לקחת בחשבון את אלה בעת הערכת השימוש הקליני שלה. עם אימות נוסף ומחקרים קליניים, FEMI יכולה לשמש מערכת תומכת החלטות חזקה ברפואת הרבייה.
הורד את עותק ה- PDF שלך עכשיו!
