W ostatnim czasie przełomowe badania opublikowane w eClinicalMedicine pokazują, jak sztuczna inteligencja (AI) może zrewolucjonizować metody oceny zdrowia zarodków w kontekście in vitro (IVF). Naukowcy odkryli, że AI jest w stanie przewidzieć stan chromosomów zarodka na podstawie analizy obrazów, co mogłoby zminimalizować konieczność stosowania inwazyjnych metod diagnostycznych. To może otworzyć zupełnie nowy rozdział w dziedzinie medycyny reprodukcyjnej, zwłaszcza w zakresie przesiewowej diagnostyki zarodków przy pomocy nieinwazyjnych metod.
Wykrywanie nieprawidłowości chromosomowych w zarodkach
Aneuploidia zarodka, czyli nieprawidłowa liczba chromosomów, jest główną przyczyną niepowodzeń w implantacji zarodka, poronień oraz wad wrodzonych. W przypadku zapłodnienia in vitro (IVF), aneuploidia występuje nawet w 25-40% wczesnych stadiów rozwoju zarodków, a prawdopodobieństwo jej wystąpienia rośnie z wiekiem matki. Tradycyjnie, aby zdiagnozować ploidię zarodka (czyli liczbę chromosomów), stosuje się badanie genetyczne przed implantacją (PGT-A), które opiera się na technikach biopsji. Chociaż PGT-A poprawia wyniki IVF, jest to metoda kosztowna, inwazyjna i obarczona pewnymi ograniczeniami etycznymi czy prawnymi, co utrudnia jej szerokie zastosowanie.
Sztuczna inteligencja, poprzez modele uczenia maszynowego i głębokiego uczenia, wykazuje potencjał w przewidywaniu ploidii zarodka z większą precyzją. Niemniej jednak potrzeba dalszych badań, aby zwiększyć niezawodność oraz kliniczną użyteczność tych narzędzi.
Metodologia badania
Badanie zostało zarejestrowane w Międzynarodowym Rejestrze Systematycznych Przeglądów PROSPERO i przeprowadzone zgodnie z wytycznymi PRISMA oraz CHARMS dotyczącymi raportowania i oceny badań predykcyjnych. W celu zebrania literatury na temat algorytmów AI wykorzystywanych do oceny ploidii zarodków, przeprowadzono szeroko zakrojone wyszukiwania w bazach takich jak PubMed, MEDLINE, Embase, SCOPUS, IEEE oraz Web of Science.
Kryteria kwalifikacyjne obejmowały badania opublikowane do 10 sierpnia 2024 r., które zawierały wyniki diagnostyczne, takie jak wrażliwość, swoistość i wartości predykcyjne. Artykuły oceniali niezależni recenzenci, a w przypadkach rozbieżności w ocenach konsultowano się z trzecim recenzentem. Z analizy wyłączono badania nieposiadające modeli AI, przeprowadzane na próbkach nie-ludzkich lub niepełne publikacje, takie jak redakcje.
Wyniki badania
Pierwsze wyszukiwania przyniosły 4 774 wyniki, z czego usunięto 1 543 duplikaty. Po weryfikacji tytułów i streszczeń wykluczono 2 837 publikacji, co pozostawiło 65 prac do dokładniejszej analizy. Ostatecznie, do badania włączono 20 prac, a 12 z nich dostarczyło wystarczających danych do wykonania meta-analizy.
Szesnaście z tych badań miało charakter retrospektywny, dwa były prospektywne z podwójnie ślepą oceną modelu AI, a dwa nie określiły jasno swojego projektu badawczego. Siedem badań przeprowadziło zewnętrzną walidację na niezależnych zbiorach danych, natomiast dziesięć badaniach wykorzystano techniki głębokiego uczenia, a pięć zastosowało bardziej klasyczne metody uczenia maszynowego.
Wydajność diagnostyczna AI
Algorytmy AI w analizowanych badaniach wykazały zmienną wydajność diagnostyczną. Średnia czułość (Se) wyniosła 0,67, a swoistość (Sp) 0,58. Wartość pola pod krzywą (AUC) wynosiła 0,67. Najlepsze wyniki uzyskano w wybranych tabelach kontyngencji, gdzie czułość wzrosła do 0,71, swoistość do 0,75, a AUC do 0,80. Analiza kliniczna przy użyciu nomogramu Fagana pokazała pozytywną wartość predykcyjną na poziomie 71% oraz negatywną wartość predykcyjną wynoszącą 75%, przy założeniu 46% przewagi euploidalnych zarodków.
Analiza heterogeniczności wykazała spore zróżnicowanie między badaniami, co w dużej mierze wynikało z różnych typów algorytmów AI, metod walidacyjnych oraz geograficznego pochodzenia próbek. Dodatkowo, nowsze badania charakteryzowały się wyższą specyficznością i lepszymi wynikami AUC, co sugeruje, że modele AI stale się rozwijają i poprawiają swoją wydajność.
Wnioski
Chociaż PGT-A jest obecnie szeroko stosowaną metodą poprawy wyników ciążowych, związane z nią ryzyko inwazyjności może prowadzić do komplikacji, takich jak stan przedrzucawkowy czy łożysko przodujące, bez znaczących korzyści dla wyników takich jak żywe urodzenia. Stąd konieczność opracowania niezawodnych i nieinwazyjnych metod oceny ploidii zarodków staje się coraz bardziej paląca.
Sztuczna inteligencja ma potencjał, aby zrewolucjonizować diagnostykę zarodków w procedurach wspomaganego rozrodu. Jednakże obecnie dostępne modele AI nie osiągnęły jeszcze poziomu precyzji, który pozwoliłby na całkowite zastąpienie PGT-A. Na chwilę obecną AI powinna być traktowana jako narzędzie wspomagające proces selekcji zarodków, a nie jego główny element.
Źródło:
– Xin, X., Wu, S., Xu, H., et al. (2024). Non-invasive prediction of human embryonic ploidy using artificial intelligence: a systematic review and meta-analysis. eClinicalMedicine. doi:10.1016/j.eclinm.2024.10289700476-0/fulltext)
