Formé à l'aide de 18 millions d'images d'embryons, ce nouvel outil d'IA puissant pourrait remplacer les tests IVF invasifs, offrant une sélection d'embryons plus rapide, moins chère et plus précise.
Étude: Un modèle fondamental pour la fécondation in vitro formée sur 18 millions d'images en accéléré. Crédit d'image: krakenimages.com/shutterstock.com
UN étude publiée dans Communications de la nature introduit le modèle de FIV fondamental pour l'imagerie (FEMI), une nouvelle approche pour l'évaluation des embryons en in vitro Fertilisation (FIV). L'étude a évalué les performances FEMI sur la prédiction de la ploïdie, la prédiction du temps de blastulation, la segmentation des composants d'embryons, la notation de la qualité des blastocystes, le témoignage d'embryons et la prédiction de stade.
Sommaire
Qu'est-ce qui détermine une FIV réussie?
Une FIV réussie dépend d'une évaluation précise et de la sélection d'embryons viables. Les méthodes traditionnelles d'évaluation de l'embryon ont de nombreuses limites, notamment un manque de normalisation, des coûts élevés et des réglementations variables concernant les tests génétiques de préimplantation pour l'aneuploïdie (PGT-A) dans différents pays.
Les variations des systèmes de notation et des outils de diagnostic affectent considérablement la sélection appropriée des embryons, ce qui peut nuire aux taux de réussite de la FIV et aux résultats des patients. Par conséquent, une méthode plus efficace, abordable et non invasive est urgente pour évaluer les embryons pour améliorer les taux de réussite de la FIV et prévenir la pression émotionnelle et financière sur les patients.
Le rôle de l'intelligence artificielle (IA) en FIV
L'intelligence artificielle (IA) a été utilisée pour prédire la morphologie des embryons et le statut de ploïdie, ce qui est crucial pour une procédure de FIV réussie. Bien que de nombreux modèles d'apprentissage en profondeur, tels que la cigogne et l'erica, aient montré un potentiel considérable dans l'analyse de la morphologie des embryons basée sur des images, ces modèles reposent sur des données basées sur l'image et l'entrée d'embryologue.
Les chercheurs ont continué à aborder les lacunes et ont développé de nouveaux modèles avec une efficacité plus élevée ou amélioré la précision prédictive des modèles existants. Par exemple, l'algorithme d'apprentissage de l'évaluation des blastocystes (BELA) peut prédire le statut de ploïdie en utilisant une approche d'apprentissage multitâche sans aucune assistance embryologue. Cependant, ce modèle se limite à prédire les scores de qualité des embryons et le statut de ploïdie.
Les transformateurs de vision (VITS) sont une architecture de modèle de base avec une approche basée sur les transformateurs. Cette approche permet au modèle de capturer des motifs complexes dans les images. Un autre avantage des VITS est leur capacité à traiter des données à grande échelle. Bien que cette approche ait été utilisée pour développer ivFormer, son application est limitée en raison de la diversité insuffisante de l'ensemble de données de formation.
Développement du modèle FEMI
Le modèle FEMI nouvellement développé utilise l'autoencoder masqué Vision Transformateur (VIT MAE), qui aide l'apprentissage auto-supervisé (SSL) dans la reconstruction de l'image d'origine à partir d'une entrée masquée. L'approche de structure de coder-décodeur du VIT MAE permet d'apprendre des faits essentiels sur l'ensemble de données.
Le modèle FEMI a été formé à l'aide d'un ensemble de données diversifié d'environ 18 millions d'images en accéléré de plusieurs cliniques. Pour l'ensemble de données de formation, les images en accéléré pris après 85 heures après l'insémination (HPI) aux profondeurs de l'axe Z ont été sélectionnées. Pour augmenter l'apprentissage des fonctionnalités, les images ont été étroitement recadrées autour des embryons. L'ensemble de données d'image en accéléré a été divisé en une formation de 80% et une division de validation à 20%, traitant chaque image comme un échantillon indépendant.
La présente étude a évalué la précision prédictive de la FEMI sur de multiples tâches cliniques, telles que la notation de la qualité des blastocystes, la prédiction de la ploïdie, la prédiction du temps de blostulation, la segmentation des composants d'embryons, le témoignage d'embryons et la prédiction de stade. Pour la plupart des tâches, le modèle considérait uniquement les images en accéléré de temps à embryon unique; Cependant, il a utilisé l'entrée vidéo pour la notation de la qualité du blastocyste et la prédiction de la ploïdie. L'âge maternel a été incorporé pour les tâches de prédiction ploïdie en raison de son impact connu sur les anomalies chromosomiques.
Le modèle a également été conçu pour être affiné aux systèmes de notation spécifiques à la clinique, améliorant l'adaptabilité du monde réel.
Femi montre un potentiel pour améliorer les taux de réussite de la FIV
Les performances des tâches de prédiction FEMI sur la ploïdie ont été comparées à divers modèles d'image de référence et de vidéo, tels qu'un modèle Movinet, VGG16, EfficientNet V2, RESNET101-RS, Convnext et CoatNet. Cette étude a observé que le FEMI surpasse considérablement tous les modèles de comparaison. Il a également démontré une précision supérieure pour prédire la ploïdie dans des conditions de faible qualité d'embryons.
La présente étude a souligné que FEMI a surperformé de manière significative d'autres modèles de référence sur le score global de blastocystes (BS) et la prédiction du score de masse cellulaire interne dans plusieurs ensembles de données. FEMI a également surperformé tous les modèles pour les scores d'expansion et de trophectoderme dans les entrées d'image et de vidéo.
La segmentation des composants des blastocystes, tels que la zona pellucida (ZP), le trophectoderme et la masse des cellules internes, est cruciale dans la visualisation et les processus analytiques en aval. Cependant, FEMI n'a pas surpassé de manière significative d'autres modèles dans ces tâches; Il a montré une augmentation non significative du score de dés, suggérant des performances comparables.
FEMI a surpassé tous les modèles de comparaison pour les témoins d'embryons dans tous les ensembles de données à l'exception de l'ensemble de données Weill ES. La prévision avec précision du temps de blastulation aide les embryologues à évaluer la qualité des embryons et à planifier les processus de visualisation ultérieurs. FEMI pourrait prédire avec précision les heures après l'insémination au cours de laquelle un embryon commence à former un blastocyste.
Il est important de prédire avec précision le stade d'embryon pour surveiller la progression du développement et optimiser les résultats dans les procédures de FIV. Pour les modèles FEMI et d'autres modèles de référence, la classification des embryons a été formulée comme une tâche de régression plutôt que comme un problème de classification traditionnel, permettant une granularité de prédiction plus fine. Dans cette tâche, FEMI a obtenu une précision top 1 de 60,31%, comparable à 60,58% d'Embryovision, et a surpassé les performances des autres modèles. Ces résultats ont mis en évidence l'avantage de l'utilisation de SSL sur des données à grande échelle et non marquées pour traiter les fonctionnalités de développement complexes.
Alors que le FEMI a constamment montré des résultats solides, le degré d'amélioration variait selon les ensembles de données et les tâches.
Implications cliniques
Alors que le FEMI a démontré des performances élevées sur diverses tâches, les auteurs notent plusieurs limitations significatives. Les tâches de segmentation et de prédiction des étapes ont été formées et testées sur les mêmes ensembles de données en raison de données étiquetées limitées, affectant potentiellement la généralisation. La prédiction ploïdie a exclu les embryons de mosaïque et n'a utilisé que des données jusqu'à 112 hpi, bien que certains embryons viables se soient développés plus tard.
De nombreux ensembles de données provenaient de cliniques à haute ressource, ce qui peut limiter l'applicabilité immédiate de la FEMI dans des environnements cliniques à faible ressource ou très variables.
Malgré ces limites, la conception de FEMI en tant que modèle de fondation permet le réglage fin et l'adaptation futurs avec des ensembles de données plus larges. Les auteurs suggèrent de l'utiliser comme squelette pour d'autres tâches de prédiction clinique, telles que l'implantation ou la naissance vivante, en attendant l'accès aux étiquettes pertinentes.
L'étude présente le FEMI comme un outil prometteur pour normaliser et améliorer l'évaluation des embryons dans la FIV. L'utilisation d'apprentissage auto-supervisé sur un ensemble de données important et diversifié lui permet de généraliser bien entre les tâches et de surpasser les modèles traditionnels. Les auteurs reconnaissent ses limites, y compris les performances de segmentation et la portée de l'ensemble de données, et celles-ci doivent être prises en compte lors de l'évaluation de son utilisation clinique. Avec d'autres essais de validation et cliniques, FEMI pourrait servir de puissant système de support de décision en médecine reproductive.
Téléchargez votre copie PDF maintenant!
