Искусственный интеллект предлагает перспективные методы оценки здоровья эмбриона без инвазивных тестов

Искусственный интеллект предлагает перспективные методы оценки здоровья эмбриона без инвазивных тестов Искусственный интеллект предлагает перспективные методы оценки здоровья эмбриона без инвазивных тестов

Данный обзор рассматривает возможности ИИ в оценке здоровья эмбриона путем анализа изображений для прогнозирования хромосомных состояний без использования инвазивных методов, что может привести к усовершенствованию неинвазивного скрининга в процедурах ЭКО.


Исследование: Неинвазивное предсказание плоидности человеческого эмбриона с использованием искусственного интеллекта: систематический обзор и мета-анализ. Изображение предоставлено: Krakenimages.com / Shutterstock.com

Реклама

Как выявляется анеуплоидия эмбрионов?

Анеуплоидия эмбриона определяется как аномальное количество хромосом и является основной причиной неудачи имплантации, потери беременности и врожденных аномалий.

В процедурах экстракорпорального оплодотворения (ЭКО) частота анеуплоидии достигает от 25% до 40% на ранних стадиях развития эмбрионов, причем этот показатель увеличивается с возрастом матери. Хотя предимплантационное генетическое тестирование на анеуплоидию (PGT-A), являющееся биопсийной техникой, улучшает результаты ЭКО за счет определения плоидности эмбриона, оно является дорогим, инвазивным и ограничено этическими и правовыми соображениями, что ограничивает его доступность.

ИИ с помощью машинного и глубокого обучения демонстрирует потенциал в точном прогнозировании плоидности эмбрионов. Однако для повышения надежности прогнозов и клинической применимости этих методов необходимы дополнительные исследования.

Об исследовании

Текущее исследование зарегистрировано в Международном проспективном регистре систематических обзоров (PROSPERO) и следовало рекомендациям PRISMA и CHARMS по отчетности.

Обширные литературные поиски были проведены в базах данных PubMed, MEDLINE, Embase, IEEE, SCOPUS, Web of Science и Cochrane. В ходе поиска выявлены исследования, посвященные разработкам алгоритмов ИИ для оценки плоидности эмбриона на основе медицинских изображений.

Критерии поиска включали термины, связанные с ИИ, генетическим тестированием и хромосомными аномалиями. Подходящие исследования, опубликованные до 10 августа 2024 года, должны были содержать диагностические показатели, такие как чувствительность, специфичность, и предсказательные значения, или соответствующие данные 2×2.

Статьи были изучены двумя независимыми рецензентами, и в случае разногласий привлекался третий рецензент. Из анализа исключались исследования без моделей ИИ или использующие не человеческие образцы, дубликаты и различные типы публикаций, такие как редакционные статьи.

Данные извлекались двумя рецензентами с использованием стандартной формы для обеспечения точности. Диагностические показатели, такие как чувствительность и специфичность, рассчитывались из таблиц контингентности, когда это было возможно.

Оценка качества проводилась с использованием критериев QUADAS-AI, оценивались потенциальные ошибки и применимость, а все различия разрешались третьим рецензентом. Основные показатели, такие как чувствительность (Se), специфичность (Sp) и площадь под кривой (AUC), анализировались с помощью кривых ROC и двусторонной модели случайных эффектов.

Гетерогенность изучалась с помощью мета-регрессии, оценивая факторы, такие как тип алгоритма и географическое расположение. Воронкообразный график Дика оценивал предвзятость публикации, в то время как анализ подгрупп выявлял дополнительные источники гетерогенности, такие как тип модели ИИ, метод аннотации и риск предвзятости.

Результаты исследования

Первоначальный поиск выявил 4,774 записи, из которых 1,543 дубликата были удалены. После анализа заголовков и аннотаций исключено 2,837 исследований, оставив 65 для полного анализа текстов.

В конечном итоге 20 исследований соответствовали критериям включения, из них в 12 предоставлены достаточные данные для мета-анализа. Шестнадцать исследований были ретроспективными, два — проспективными с двойным слепым оцениванием моделей ИИ, и два — неопределённого дизайна. Ни одно из исследований не использовало общедоступные изображения, восемь исключили изображения низкого качества, а двенадцать не рассматривали этот фактор.

Внешняя валидация с неселекционными данными была проведена в семи исследованиях. Десять исследований использовали глубокое обучение (DL), пять использовали машинное обучение (ML), и пять применяли оба метода.

Системы поддержки решений на основе ИИ классифицировались на черный ящик, матовый и стеклянный ящик в четырех, пяти и пяти исследованиях соответственно. Четыре исследования использовали либо модели черного, либо матового ящика, в то время как два использовали модели либо матового, либо стеклянного ящика.

Обобщенная диагностическая эффективность алгоритмов ИИ показала чувствительность 0.67, специфичность 0.58 и AUC 0.67. Выбор таблиц контингентности с самой высокой точностью улучшил чувствительность и специфичность до 0.71 и 0.75 соответственно, с AUC 0.80. Анализ клинической полезности с использованием номограммы Fagan определил положительное предсказательное значение 71% и отрицательное предсказательное значение 75% при предположении 46%-ной распространенности эуплоидных эмбрионов.

Качество исследования оценивалось с помощью инструмента QUADAS-AI, который выявил высокий или неясный риск предвзятости в выборе пациентов в 19 исследованиях, главным образом из-за ограниченного доступа к данным из открытых источников и отсутствия тщательной внешней валидации. Анализ гетерогенности выявил значительные вариации с индексом несогласованности (I²) 97.7% для Se и 92.2% для Sp. Пороговый эффект способствовал данной гетерогенности из-за различий в диагностических порогах для эуплоидных эмбрионов.

Метарегрессия выявила факторы, влияющие на гетерогенность, включая тип алгоритма ИИ, категорию DSS, метод аннотации, внешняя валидация, риск предвзятости, возраст матери, размер выборки и год публикации. Se и Sp были отрицательно коррелированы, что часто наблюдается в исследованиях диагностической точности. Воронкообразный график Дика не показал доказательств предвзятости публикации.

Анализ подгрупп показал, что модели DL имели более высокий AUC, чем модели ML — 0.71 против 0.63 соответственно. Исследования, включившие как изображенные, так и клинические данные, показали улучшенные результаты с AUC 0.71 по сравнению с 0.62.

Внешняя валидация, низкий риск предвзятости, учет возраста матери, и большие объемы выборок положительно повлияли на результаты моделей. Новые исследования также были связаны с более высокой специфичностью и AUC, демонстрируя улучшение точности моделей ИИ со временем.

Выводы

Несмотря на широкое использование PGT-A для улучшения результатов беременности за счет выявления хромосомных аномалий, его инвазивность увеличивает риск некоторых осложнений, включая преэклампсию и предлежание плаценты, с ограниченной пользой на протяжении беременности или для показателей живорождения. Следовательно, важно развивать надежные и неинвазивные методы прогнозирования плоидности.

ИИ, уже используемый в различных клинических областях, имеет потенциал для поддержки оценки эмбрионов в вспомогательной репродукции. Однако, существующие модели ИИ для прогнозирования плоидности не обладают достаточной точностью для замены PGT-A и должны служить в качестве вспомогательных инструментов для выбора эмбрионов.

Источник: NewsMedical

Добавить комментарий

Добавить комментарий

Ваш адрес email не будет опубликован. Обязательные поля помечены *

Будьте в курсе самых важных событий

Нажимая кнопку "Подписаться", вы подтверждаете, что ознакомились с нашими условиями и соглашаетесь с ними. Политика конфиденциальности и Условия использования
Реклама