Введение
Одной из активно развивающихся сфер здравоохранения, направленных на повышение качества медицинской помощи и ее персонификацию, является применение технологий искусственного интеллекта (ИИ — от англ. artificial intelligence — искусственный интеллект) [1]. Термин «искусственный интеллект» используется для обозначения области компьютерных технологий, решаемой задачи, которые обычно требуют участия человека [2]. Программы ИИ разрабатываются в качестве вспомогательных методов диагностики, выбора тактики лечения и индивидуального прогнозирования.
Применение ИИ в медицине впервые было предложено в 1954 г. для проведения дифференциальной диагностики заболеваний по отдельным симптомам [3], а в 1972 г. была разработана компьютерная программа для определения причин острой боли в животе [4]. Дальнейшее развитие ИИ связано с усложнением структуры его алгоритмов.
Принцип работы ИИ основан на методах машинного обучения (МО), способных с высокой производительностью анализировать большое количество данных («Big Data»), выявлять и интерпретировать взаимосвязи между ними для построения выводов и решений. Условно алгоритмы ИИ можно разделить на традиционные и глубокие методы МО (рис. 1) [5], а также по принципу обучения — с учителем (контролируемое МО) или без учителя (неконтролируемое МО) [6].
Рис.1. Классификация методов машинного обучения [5].
МО — машинное обучение.
Наиболее сложные формы МО включают глубокое обучение (deep learning) — искусственные нейронные сети (ИНС) с многоуровневыми слоями и функциями, взаимодействие которых приводит к решению задач и минимально связано или не связано с участием человека в обработке данных и их интерпретации [7]. Методы глубокого МО основаны на неструктурированных данных, таких как изображения или текст, без учителя или с таковым [8]. В отличие от традиционных глубокие методы МО используют сложные взаимодействия между каждым слоем для анализа информации и построения выводов, при этом процессы, происходящие внутри ИНС (архитектура, уровни и соединения), могут оставаться недоступными для пользователя и иметь название «черный ящик» [9].
Выбор правильного алгоритма, т.е. совокупность действий, правил для решения данной задачи, может быть контролируемым в случае использования тренировочной модели на размеченных входных и известных выходных данных для определения корреляций между ними и прогнозирования последующих результатов на основании проанализированных взаимосвязей. При неконтролируемом обучении используются неразмеченные данные, а алгоритм самостоятельно идентифицирует закономерности и предлагает решение без поддержки пользователя [10]. Методы МО могут быть использованы изолированно или комбинироваться в зависимости от поставленных задач, типа и количества данных, доступной вычислительной мощности.
Технологии ИИ все глубже интегрируются в различные медицинские сферы, что отражается в ежегодном приросте количества публикаций [11] (рис. 2). ИИ способен автоматически распознавать и классифицировать медицинские изображения («компьютерное зрение» для оценки рентгенограмм, ультразвуковых, томографических снимков и др.), разработаны программы распознавания патологических образов, которые нашли широкое применение не только в диагностике новообразований различных органов, но и в биометрии в целом [12, 13].
Рис. 2. Число публикаций в базе данных PubMED, проиндексированных термином MeSH (medical subject heading) и ключевыми словами «искусственный интеллект», «машинное обучение», «глубокое обучение» в период с 2000 по 2022 г.
Как показал анализ электронной медицинской документации, ИИ способен поставить диагноз, предложить варианты лечения или оценить эффективность назначенной терапии (система поддержки принятия врачебных решений) [14]. Системы ИИ задействованы в разработке медицинской робототехники и мобильных приложений, позволяющих пациенту оценить состояние здоровья, получить предварительный диагноз и обратиться к профильному специалисту [15, 16]. Кроме того, ИИ применяется в области фарминдустрии для разработки и тестирования новых лекарственных препаратов (например, прогнозирование взаимодействия лекарство—мишень) [17].
В сфере акушерства и гинекологии также наблюдается тенденция к внедрению технологий ИИ. Так, для улучшения перинатальных исходов разработан алгоритм мониторинга состояния плода в родах на основании данных кардиотокографии, применяемый для интерпретации и определения индивидуальной тактики ведения родов [18]. Предложены программы ИИ, способные с высокой точностью рассчитать риск развития преждевременных родов [19], преэклампсии [20, 21], синдрома задержки роста или макросомии плода [22], гестационного сахарного диабета [23], а также в диагностике и прогнозировании гинекологических онкологических заболеваний [24, 25].
Репродуктивная медицина — динамически развивающаяся область с непрерывным внедрением новых диагностических и лечебных подходов. Применение ИИ является актуальным и перспективным направлением повышения эффективности лечения бесплодия на каждом этапе программы ВРТ [26].
ИИ в протоколах стимуляции яичников
Алгоритмы ИИ могут применяться с самых первых этапов протокола ЭКО — для подбора схемы стимуляции, прогноза ответа яичников и риска развития осложнений. Согласно недавнему метаанализу расчет индивидуальной стартовой дозы гонадотропинов с помощью ИИ — эффективный и безопасный вариант в профилактике синдрома гиперстимуляции яичников (СГЯ) [27]. Так, для подбора оптимальной дозы рекомбинантного фолликулостимулирующего гормона (рФСГ), связанной с высокими показателями наступления беременности и профилем безопасности (снижение/отсутствие риска развития СГЯ), разработан алгоритм PIVET, использующий входные данные о возрасте, курении, индексе массы тела (ИМТ), количестве антральных фолликулов (КАФ) и уровне антимюллерового гормона (АМГ) [28].
ИИ применяется и в прогнозировании недостаточного овариального ответа, при этом показано, что чувствительность и специфичность алгоритмов зависят от лабораторных методов исследования концентрации АМГ [29]. Например, уровень АМГ менее 0,93 нг/мл, измеренный с помощью автоматического метода Access AMH («Beckman Coulter Inc.»), служит предиктором бедного овариального ответа со специфичностью 90% и чувствительностью 74,1% [30]. В более поздней работе показано, что уровень АМГ менее 1,18 нг/мл, оцененный указанным методом, является более надежным изолированным, чем КАФ, предиктором бедного ответа [31]. Для пациенток старше 40 лет более точным прогностическим маркером наступления клинической беременности и живорождения в протоколах стимуляции яичников с антагонистами служит КАФ [32].
Дополнительным маркером, используемым в программах ИИ в выборе начальной дозы гонадотропинов и ее коррекции, является масса тела. Показано, что масса тела 53,25 кг (чувствительность — 84,2%, специфичность — 53,8%) и 70,5 кг (чувствительность — 58,8%, специфичность — 93,0%) были определены как оптимальные пороговые значения для стартовой дозы гонадотропинов, равной 150 и 225 МЕ соответственно, у пациенток с синдромом поликистозных яичников [33].
В помощь практикующему врачу предложены алгоритмы ИИ для принятия решений в отношении прекращения или продолжения стимуляции яичников, определения ее длительности, расчета индивидуальных доз препаратов и необходимости их корректировки, выбора оптимальных дней мониторинга и введения триггера. Расчет производится на основании данных о возрасте, ИМТ, уровней ФСГ, АМГ, эстрадиола, КАФ, данных о росте фолликулов, дня старта и длительности протокола, дозы гонадотропинов [34, 35].
ИИ и ультразвуковой мониторинг в протоколах ВРТ
Ультразвуковое исследование (УЗИ) органов малого таза является важным методом диагностики причин бесплодия, а ультразвуковой мониторинг роста фолликулов и созревания эндометрия — ключевыми процедурами протоколов ВРТ. Интеграция технологий ИИ в ультразвуковую диагностику — новое направление, призванное повысить ее точность, уменьшить время выполнения УЗИ и нагрузку на специалиста [36].
Для фолликулометрии разработана сеть глубокого МО на базе CR-Unet, автоматически проводящая сегментирование двумерных ультразвуковых изображений яичника и фолликулов и вычисление их площади при трансвагинальном УЗИ. Показаны эффективность и точность данной модели в определении динамического роста фолликулов, связанного со зрелостью полученных яйцеклеток [37]. Предложена система ИИ, основанная на ультразвуковых изображениях фолликулов, способная отличать пустые и ооцитсодержащие фолликулы. Модель перспективна для прогнозирования количества яйцеклеток и сокращения длительности трансвагинальной пункции фолликулов [38]. Применение алгоритмов глубокого МО в 3D-УЗИ позволило выявить объем фолликула как маркер для расчета времени введения триггера финального созревания ооцитов, определения зрелости клеток и прогноза избыточного ответа яичников в протоколе ЭКО [39].
Разрабатываются модели ИИ в УЗИ для оценки рецептивности эндометрия на основании сегментации его структур, классификации эндометриального паттерна, оценки перистальтики эндометрия и его кровоснабжения. С помощью ИИ можно провести автоматическую или полуавтоматическую оценку границы эндометрий—миометрий, толщины и структуры эндометрия с определением принадлежности к фазе менструального цикла [40—42]. При оценке ИИ ультразвуковые видеозаписи можно исследовать сокращения субэндометриального миометрия и перистальтику эндометрия [43, 44]. На основании корреляции ИИ и ультразвуковых показателей субэндометриального кровотока предложена прогностическая модель наступления беременности в протоколе ВРТ [45].
Таким образом, методы ИИ могут способствовать разработке новых ультразвуковых критериев ответа яичников на гормональную стимуляцию, определения оптимального дня назначения триггера финального созревания ооцитов, количества и качества получаемых яйцеклеток. Перспектива применения технологий ИИ в ультразвуковой оценке эндометрия связана как с диагностикой патологических состояний, так и с оценкой его рецептивности и индивидуального расчета времени переноса эмбриона. Однако перечисленные методы ИИ требуют дополнительных обучающих данных и клинических испытаний, и в настоящее время не применяются в рутинной практике.
ИИ в отборе и подготовке ооцитов к процедуре ИКСИ
Вопрос оценки качества ооцитов и их потенциала к развитию приобретает все большую значимость из-за роста числа протоколов ВРТ с применением донорских яйцеклеток, программ сохранения фертильности (онкологические заболевания, «отложенное» материнство и др.), в том числе дозревания незрелых ооцитов in vitro (IVM, in vitro maturation), а также необходимости совершенствования технологий криоконсервации ооцитов [46, 47]. ИИ применяется для морфологической оценки ооцитов, прогнозирования результатов их криоконсервации, оплодотворения, шансов получения бластоцист, имплантации и родов [48]. Оценка ооцитов проводится методом сегментации с автоматическим распознаванием структур клетки.
G. Letort и соавт. [49]. предложили неинвазивную модель глубокого МО «Oocytor» для характеристики ооцитов и прогнозирования их созревания в программе IVM, разработанную на основании архитектуры ИНС U-Net. Алгоритм включает оценку изображений ооцитов мыши и человека, а также 118 морфологических признаков, ассоциированных с качеством яйцеклеток. Примечательно, что на основании морфологических данных этого алгоритма можно различать ооциты разных генетических популяций мышей [49].
Разработаны программы ИИ для расчета шансов получения эмбриона хорошего качества и последующих родов после криоконсервации ооцитов. Модель глубокого МО «Violet» (Future Fertility, Канада) учитывает данные о возрасте, количестве полученных и замороженных ооцитов, гормональном статусе и позволяет точнее рассчитать шансы по сравнению с онлайн-калькулятором BWH Egg Freezing Counseling Tool (EFCT) [50]. Система AIR-O (Великобритания) на основании оценки морфологических характеристик ооцитов способна прогнозировать их оплодотворение и потенциал развития в бластоцисту с точностью 70,4 и 60,4% соответственно. Среди оцениваемых признаков как наиболее ревалентных программа отобрала форму и диаметр ооцита, наличие мейотического веретена, структуру блестящей оболочки, размер вакуолей и возраст пациентки [51].
Предприняты попытки автоматизации некоторых этапов программы ЭКО. Более широкое применение в области ВРТ находят технологии, работающие на основании микрофлюидных платформ. Для подготовки ооцитов к процедуре ИКСИ разработаны автоматические микрофлюидные системы денудации ооцитов от клеток кумулюса, оценки качества и зрелости ооцитов на основании скорости их оседания [52, 53]. С применением ИИ разработана роботизированная система денудации ооцитов с эффективностью 95,0±0,8%, которая сопоставима с ручными методами по исходам оплодотворения и развития эмбрионов [54]. Приведенные примеры автоматических устройств апробированы на ооцитах животных.
ИИ в оценке качества и подготовки спермы
Качественный анализ и подготовка эякулята — неотъемлемая часть эффективной диагностики и лечения бесплодия. Программы ИИ для оценки морфологии сперматозоидов разрабатываются с 1993 г., когда впервые был предложен автоматический алгоритм классификации сперматозоидов по строгим критериям на основе метода сегментации [55]. Система использовалась для окрашенных препаратов, обрабатывала изображение сперматозоида при 100-кратном увеличении и учитывала только структуру головки клетки.
В настоящее время алгоритмы ИИ способны с более высокой точностью и производительностью оценивать как изолированные структуры сперматозоида, например, головку [56], так и проводить комплексную сегментацию изображений [57, 58], а также оценивать параметры клеток в реальном времени [59].
Разработаны алгоритмы оценки не только морфологии, но и подвижности сперматозоидов. С помощью ИНС ResNet-50 и ResNet-18 можно определить процент прогрессивно и непрогрессивно подвижных, неподвижных сперматозоидов при кадровой оценке видеозаписи [60]. Система ИИ CASA (computer-assisted sperm analysis) способна классифицировать изменения подвижности сперматозоидов по заданным категориям с точностью 89,9% [61].
По сравнению с ручным методом алгоритмы ИИ могут повысить точность отбора сперматозоидов за счет идентификации и анализа параметров, не входящих в стандартную спермограмму, а также возможности быстрой оценки большего количества клеток. Так, разработана модель прогнозирования успешности оплодотворения ооцитов в программе ЭКО на основании анализа клинических данных, показателей спермограммы и внутриклеточного pH сперматозоида [62].
Предложены методы ИИ для неинвазивной оценки ДНК-фрагментации сперматозоидов на основании их морфологических критериев [63]. Такие методики позволят с высокой точностью и производительностью отбирать сперматозоиды для ИКСИ [64]. Кроме того, эти исследования демонстрируют перспективность создания алгоритмов ИИ для обнаружения и анализа других репродуктивно значимых параметров, которые можно оценить по данным морфологии клеток, например, для определения наличия или отсутствия анеуплоидии сперматозоида.
Системы на основании микрофлюидных платформ позволяют с высокой скоростью отбирать морфологически нормальные, прогрессивно подвижные сперматозоиды с минимальной ДНК-фрагментацией [65]. Данная методика демонстрирует сравнимую с традиционным центрифугированием на градиенте плотности клиническую эффективность отбора сперматозоидов для ИКСИ и исходы протоколов ВРТ [66].
В перспективе ИИ также может применяться для автоматизации некоторых эмбриологических процедур. Недавно разработана роботизированная модель для выполнения процедуры ИКСИ, основанная на технологиях ИИ, оптики и механотроники. Время работы, эффективность и безопасность робота были сопоставимы с традиционной ручной техникой ИКСИ, однако это только экспериментальная модель, которая требует клинических испытаний [67].
Отечественная практика применения ИИ в сфере репродуктивной медицины в настоящее время представлена единичными исследованиями [68]. Так, в НМИЦ АГП им. В.И. Кулакова разработана ИНС, анализирующая спектральные характеристики спермы с помощью фотонно-кристаллических волноводов и с высокой точностью определяющая «норму» и «патологию» [69].
Таким образом, внедрение технологий ИИ может способствовать повышению скорости обработки, автоматизации, стандартизации и усовершенствованию существующих методов анализа и отбора сперматозоидов, что связано с повышением эффективности программ ВРТ. Селекция сперматозоидов также может быть полезна в персонификации и точности прогноза исходов протоколов ВРТ от оценки качества эмбрионов до живорождения.
ИИ в селекции эмбрионов
В последние годы увеличилось количество исследований относительно применения ИИ в эмбриологии. В большинстве своем работы основаны на методах компьютерного зрения и глубокого МО, анализирующих микроскопические изображения эмбрионов или данные ускоренной покадровой съемки time-lapse imaging (TLI) [70].
Применение TLI продемонстрировало важность оценки морфокинетических параметров эмбрионов. Показано, что покадровая оценка развития эмбриона с помощью TLI повышает точность прогнозирования живорождения до 83% [71, 72]. На основании показателей скорости пронуклеарной миграции, измерений бластоцисты, площади внутренней клеточной массы эмбриона (ВКМ) и продолжительности клеточного цикла трофэктодермы (ТЭ), «обучаемая» ИНС способна рассчитать шансы на имплантацию [73].
Описаны методы ИИ для оценки эмбрионов на различных этапах их развития. Для оценки количества пронуклеусов в зиготе разработана глубокая сверхточная ИНС, которая может различать двупронуклеарные (2PN) и не-2PN зиготы через 18 ч после оплодотворения с точностью более 90% [74]. С помощью ИИ проанализированы параметры движения цитоплазмы на стадии зиготы, определяющие потенциал ее развития в бластоцисту. При этом точность оценки параметров методами ИИ в среднем была на 10% выше, чем оценка специалиста [75]. Для эмбрионов на стадии дробления через 70 ч после оплодотворения разработана ИНС, которая с точностью до 71,9% отбирает эмбрионы с наибольшим потенциалом развития и также превосходит возможности ручного отбора [76].
Оценка качества бластоцисты основывается на исследовании ее компонентов — ВКМ, ТЭ, блестящей оболочки (zona pellucida, ЗП), бластоцели. Однако большинство вариантов систем сегментации ИИ оценивают лишь одну из структур эмбриона.
A. Singh и соавт. [77] предложили автоматический метод сегментации трофэктодермы на 5-е сутки развития эмбриона, основанный на 85 изображениях эмбрионов со средней точностью 87,8% для классификации бластоцист классов A, B и C. Авторы использовали предварительную обработку изображения с помощью технологии Ретинекс и последующих морфологических операций для повышения производительности сегментации.
Для проведения сегментации ВКМ эмбриона предложена 16-уровневая сверточная ИНС на базе ImageNet с предварительной обработкой входящих изображений. Данные включали 8460 изображений от 235 бластоцист [78]. Для оценки ВКМ также была разработана расширенная нейронная сеть U-Net с несколькими разрешениями, способная сегментировать ВКМ со средней точностью 88,6% [79].
Исследования по идентификации нескольких морфологических параметров эмбрионов немногочисленны. Однако подобная комплексная оценка может способствовать повышению прогностической ценности в отношении наступления и исходов беременности после протокола ВРТ. Представлен алгоритм одновременной автоматической сегментации ТЭ и ВКМ на основании оценки изображений 211 эмбрионов 5-го дня развития с точностью 86,6% для идентификации ТЭ и 91,3% для ВКМ [80]. Позднее представлена система одновременной сегментации ЗП, ТЭ и ВКМ эмбриона с использованием дискретного косинусного преобразования и двуслойной нейронной сети [81]. Эффективный метод многоклассовой семантической сегментации компонентов бластоцисты человека на микроскопических изображениях на основе глубокого МО предложен R. Rad и соавт. [82]. По данным авторов, ИНС Blast-Net обладает наиболее высокой производительностью сегментации и ее точностью [82]. Недавно предложен контролируемый обучающийся алгоритм ECS-Net, представляющий собой сверточную сеть семантической сегментации, которая обеспечивает мультиклассовую попиксельную классификацию четырех эмбриологических компонентов: ВКМ, ТЭ, ЗП, бластоцель. Программа распознает площадь, размер и взаимное расположение компонентов бластоцисты [83].
Интересно исследование Y. Miyagi и соавт. [84] (2019), в котором для прогнозирования вероятности живорождения после протокола ВРТ с помощью сверточных нейронных сетей проанализировано 5691 изображение эмбрионов на стадии бластоцист от пациенток, разделенных на 5 возрастных групп — от 35 до 42 лет и старше. Авторы установили наибольшую точность прогноза для группы пациенток старше 42 лет, что связывают с возможностью распознавания ИИ ассоциированных с возрастом изменений эмбриона [84]. Данная информация может служить основой для разработки критериев перехода к программе ВРТ с донорскими ооцитами.
Оценка эмбрионов с помощью ИИ и повышение точности сегментации важны для мониторинга систем культивирования, точности предикции исходов протоколов ВРТ, а также для оценки показателей плоидности эмбрионов.
ИИ в оценке плоидности эмбрионов
Технологии ИИ применяются для поиска неивазивных маркеров статуса плоидности эмбрионов. Показано, что система ИИ способна идентифицировать морфологические изменения эмбриона, связанные с аномалиями по хромосомам 21 и 16 с точностью 81,5 и 73,1% соответственно [85]. С помощью ИНС возможна идентификация неинвазивных маркеров хромосомной патологии дробящихся эмбрионов со специфичностью 85,5% [86].
Для оценки плоидности эмбриона на основании изображений бластоцист разработан алгоритм ERICA с общей точностью предикции эуплоидии 70% [87]. Результаты исследования K. Kato и соавт. [88] также подтверждают корреляцию морфокинетических показателей бластоцист и статуса их плоидности. Основным результатом исследования авторов было наличие взаимосвязи показателей эуплоидии эмбрионов в стратифицированных возрастных группах пациенток с показателями алгоритма iDAScore v1.0 (Vitrolife, Гетеборг, Швеция), модели морфокинетической селекции эмбрионов KIDScore (Vitrolife, Гетеборг, Швеция) и показателями традиционной морфологической оценки эмбрионов по критериям Д.К. Гарднера [88]. В исследовании V. Jiang и соавт. [89] показано, что комбинированная модель ИИ, основанная на оценке изображений эмбрионов и клинических характеристик пациентов (возраст, АМГ, качество оплодотворения и спермы), имеет более высокую точность в отношении предикции эуплоидности эмбрионов по сравнению с изолированной оценкой эмбрионов [89].
Таким образом, методы ИИ имеют потенциал в неинвазивной диагностике плоидности эмбриона и могут способствовать селекции эмбрионов для проведения инвазивного ПГТ, что будет экономически выгодно для пациентов.
ИИ в криоконсервации гамет и эмбрионов
В настоящее время процедура витрификации является оператор-зависимой, а также одной из самых трудоемких эмбриологических операций, успешность которой зависит от множества совокупных факторов. Автоматическая витрификация представляет собой новую технологию, которая способствует поддержанию оптимальных условий для криоконсервации и снижению затрат рабочего времени персонала.
GaviVR (Genea Biomedx, Австралия) — полуавтоматическая закрытая система витрификации, которая контролирует несколько этапов заморозки, время, температуру, концентрацию и продолжительность воздействия криопротектора на ооциты, эмбрионы на стадии дробления и бластоцисты [90]. По данным рандомизированного многоцентрового исследования, при сравнении эффективности витрификации систем GaviVR и CryotopVR результаты оплодотворения — количество эмбрионов хорошего качества, частоты наступления беременности и живорождения сопоставимы [91].
Еще одним устройством для криоконсервации является Sarah (FertileSafe Ltd, Израиль), которое выполняет все этапы витрификации автоматически, стандартизируя время экспозиции и обеспечивая 100 и 95% выживания эмбрионов и ооцитов соответственно. Однако необходимы дополнительные исследования в связи с апробацией системы на животных моделях [92].
Таким образом, применение ИИ может способствовать усовершенствованию технологий криоконсервации гамет и эмбрионов, повышению выживаемости последних, точности прогнозирования исходов протоколов ВРТ и оптимизации рабочего времени.
ИИ в предикции исходов протоколов ВРТ
За последние два десятилетия предложено большое количество моделей ИИ для оценки индивидуальных шансов на успех лечения бесплодия. В связи с растущей вычислительной мощностью МО методики совершенствуются, и если ранние работы были сосредоточены на выявлении отдельных факторов, связанных с исходами протоколов ЭКО [93], то позже начали оцениваться совокупные данные, что повысило точность результатов прогнозирования [94].
Методами ИИ определено влияние множества переменных на результат лечения бесплодия: возраст, ИМТ, расовая принадлежность, длительность и фактор бесплодия, показатели овариального резерва, вид и дозы гормональной терапии в протоколе, вариант оплодотворения, количество полученных ооцитов, эмбрионов и их качество, данные о перенесенных эмбрионах и ультразвуковой оценке эндометрия, временные интервалы между циклами ВРТ, сопутствующая гинекологическая патология, вредные привычки, показатели обследования партнера и др. [95—97].
Разработаны модели для предикции результатов первого цикла ЭКО [98, 99]. В отношении последующих протоколов показано, что учет данных о предыдущих протоколах ВРТ крайне важен для повышения прогностической точности [100]. В связи с этим предложены различные алгоритмы для прогнозирования наступления беременности и/или родов после одного, двух и более последних циклов ЭКО и/или криопереносов с учетом неэффективных циклов ВРТ в анамнезе, ранних репродуктивных потерь или родов после ЭКО [99, 101]. Кроме того, предложены модели для оценки вероятности потери беременности в раннем сроке после переноса эмбриона по протоколу ЭКО [102].
Многие системы оценивают кумулятивную частоту наступления беременности/родов после проведения протоколов ВРТ, в связи с чем перспективна разработка моделей ИИ для прогнозирования результатов переноса каждого конкретного эмбриона. Кроме того, вклад различных факторов может изменяться в течение лечебного цикла, что отражает важность их динамической оценки с корректировкой вероятностей для уточнения прогнозов на каждом этапе протокола ЭКО и для каждого переноса эмбрионов [103].
В настоящее время для индивидуального расчета успешности ЭКО как врачом, так и пациентом могут быть использованы онлайн-платформы на основе ИИ: SART Patient Predictor, Univfy PreIVF Report и OPIS. Программа SART Patient Predictor является бесплатным онлайн-калькулятором, оценивающим шансы живорождения после применения программы ВРТ на основании данных о перенесенных эмбрионах и исходах предыдущих беременностей, возрасте, массы тела, росте, диагнозе бесплодия [104]. В качестве альтернативы применяется алгоритм Univfy PreIVF, который оценивает возраст, ИМТ, показатели овариального резерва, репродуктивный анамнез и клинический диагноз для предикции успешности программы ЭКО до момента вступления в нее [105]. Кроме того, разработаны онлайн-калькуляторы системы OPIS (OPIS Pre/Post IVF/OPIS1), которые в зависимости от программы рассчитывают возможность живорождения до момента вступления в протокол ЭКО, после одной или нескольких полных попыток проведения ВРТ, или шансы на зачатие и роды в течение 6 мес после постановки диагноза идиопатического бесплодия [106].
Таким образом, ввиду множественности факторов и их взаимного влияния, сопряженного с результатами ЭКО, точная самостоятельная оценка врачом индивидуальных шансов на успех лечения может быть затруднительной. Применение алгоритмов ИИ для определения возможных исходов применения протоколов ВРТ, предварительного расчета количества циклов, необходимых для живорождения, является важным прогностическим инструментом в работе акушера-гинеколога при консультировании бесплодных пар. Дальнейшие исследования в этой области позволят повысить эффективность прогнозирования и выявить надежные предикторы исходов применения протоколов ВРТ и наступившей в результате беременности.
Заключение
Технологии ИИ разрабатываются и внедряются для каждого этапа протокола ВРТ: от расчета индивидуальных доз препаратов для стимуляции и мониторинга роста фолликулов до подготовки гамет и селекции эмбриона с определением его генетического статуса, и от исхода проведения протокола ЭКО или криопереноса до прогнозирования акушерских осложнений при наступлении беременности. Применение ИИ в ВРТ — еще один шаг в определении персонализированной тактики преодоления бесплодия и повышения шансов на рождение здорового ребенка. Однако до интеграции алгоритмов ИИ в клиническую практику необходимы их стандартизация, «прозрачность» и крупные рандомизированные контролируемые испытания по проверке валидности методик. Таким образом, использование технологий ИИ в репродуктивной медицине требует комплексного решения вопросов, находящихся не только в сфере здравоохранения и компьютерных технологий, но и на законодательном, организационном и административном уровнях.
Участие авторов:
Концепция и дизайн исследования — О.Н. Беспалова, И.Ю. Коган
Сбор и обработка материала, написание текста — В.А. Загайнова, Т.С. Жернакова, М.О. Шенгелия, О.В. Пачулия, Е.М. Комарова, Е.А. Лесик
Редактирование — И.Ю. Коган, О.Н. Беспалова, Н.И. Тапильская
Авторы заявляют об отсутствии конфликта интересов.
Participation of the authors:
Concept and design of the study — O.N. Bespalova, I.Yu. Kogan
Collection and processing of the material, text writing — V.A. Zagainova, T.S. Zhernakova, M.O. Shengeliya, O.V. Pachuliya, E.M. Komarova, E.A. Lesik
Editing — I.Yu. Kogan, O.N. Bespalova, N.I. Tapil’skaya
Authors declare lack of the conflicts of interests.