¿Puede la inteligencia artificial ayudar a seleccionar embriones sanos en parejas con problemas cromosómicos?
La tecnología de reproducción asistida (TRA) ha avanzado mucho en las últimas cuatro décadas. Las tasas de embarazo clínico en tratamientos de fertilización in vitro (FIV) y transferencia de embriones (TE) han aumentado del 20% al 40%. Sin embargo, los métodos tradicionales para seleccionar embriones, como la evaluación en el día 3 (D3) o el sistema de clasificación de blastocistos de Gardner, tienen limitaciones. ¿Qué pasa con las parejas que tienen problemas cromosómicos? ¿Puede la inteligencia artificial (IA) ofrecer una solución más precisa?
El objetivo principal de los tratamientos de reproducción asistida es transferir un blastocisto sano (euploide) para ayudar a las mujeres infértiles a tener un bebé saludable. Aunque se han desarrollado algoritmos para evaluar el estado cromosómico de los embriones en parejas sin problemas cromosómicos, la eficacia de estos modelos en parejas con reordenamientos cromosómicos sigue siendo incierta.
Un estudio reciente buscó desarrollar un sistema basado en aprendizaje profundo para predecir el estado de los embriones usando videos de lapso de tiempo y datos clínicos. Los investigadores recolectaron videos de embriones cultivados en laboratorio, información clínica de las parejas y resultados de pruebas genéticas de los blastocistos. Se desarrollaron dos modelos: el primero, llamado AMSNet, analizaba los videos en tiempo real para predecir la formación de blastocistos. El segundo, AMCFNet, combinaba los videos con datos clínicos para evaluar el estado cromosómico de los embriones.
¿Cómo funcionan estos modelos?
El modelo AMSNet se basó en una red neuronal llamada ResNet-50. Incorporó un módulo de selección de características multifocal (MFS) y un módulo de cambio temporal (TSM). El MFS seleccionaba las características más importantes de los videos, mientras que el TSM permitía entender la secuencia temporal de las imágenes. Esto ayudó a AMSNet a predecir con precisión la formación de blastocistos.
El modelo AMCFNet fue un paso más allá. Combinó los videos con datos clínicos de las parejas, como la edad y los antecedentes médicos. Utilizó una red de extracción de características clínicas y otra para las características del desarrollo embrionario. Un módulo de fusión llamado MUTAN integró toda esta información para predecir la probabilidad de que un blastocisto fuera sano.
¿Qué resultados se obtuvieron?
Se analizaron 4112 embriones para predecir la formación de blastocistos y 1422 blastocistos para evaluar su estado cromosómico. AMSNet demostró una precisión superior al 70% en el día 2 de cultivo, aumentando al 80% en el día 4. Cuando se combinó con datos clínicos, AMCFNet alcanzó un área bajo la curva (AUC) de 0.729 en blastocistos de parejas con reordenamientos cromosómicos.
En pruebas específicas, AMSNet logró un AUC de 0.764, 0.809 y 0.881 en los días 2, 3 y 4, respectivamente. Para la identificación de embriones sanos, AMSNet con tres puntos focales alcanzó un AUC de 0.658. Al combinar AMCFNet con cinco y siete puntos focales, el AUC aumentó a 0.770 y 0.778, respectivamente. En embriones con reordenamientos cromosómicos, AMCFNet con siete puntos focales mostró un AUC de 0.729.
¿Qué significa esto para las parejas con problemas cromosómicos?
Este estudio muestra que los modelos AMSNet y AMCFNet pueden predecir con precisión la formación de blastocistos y su estado cromosómico, especialmente en parejas con reordenamientos cromosómicos. Estos modelos tienen el potencial de ayudar a los embriólogos a seleccionar embriones con mayor probabilidad de desarrollo y de ser sanos. Esto podría optimizar las técnicas de selección de embriones y mejorar los resultados clínicos de los tratamientos de reproducción asistida.
La integración de imágenes de lapso de tiempo y datos clínicos en modelos de aprendizaje profundo representa un avance significativo en el campo de la medicina reproductiva. Sin embargo, es importante recordar que estos modelos son herramientas de apoyo y no garantizan un tratamiento exitoso.
For educational purposes only.
doi.org/10.1097/CM9.0000000000002803