Comment l’intelligence artificielle peut-elle améliorer la sélection des embryons dans les traitements de fertilité ?
La technologie de reproduction assistée (ART) a fait des progrès considérables au cours des quatre dernières décennies. Les taux de grossesse clinique pour la fécondation in vitro (FIV) et le transfert d’embryons (ET) sont passés de 20 % à 40 %. Malgré ces avancées, les méthodes traditionnelles de sélection des embryons basées sur l’évaluation des embryons au jour 3 (D3) et le système de classification des blastocystes de Gardner montrent des limites. Pour pallier ces lacunes, l’intelligence artificielle (IA) est de plus en plus utilisée pour analyser et sélectionner les embryons ayant un fort potentiel de développement ou pour prédire le statut de ploïdie des blastocystes. Cependant, la plupart des études se concentrent sur les jeunes femmes ou les couples sans anomalies chromosomiques, laissant une lacune dans la compréhension de l’applicabilité des modèles d’IA pour les populations avec des réarrangements chromosomiques.
L’objectif principal des traitements de reproduction assistée est de transférer un blastocyste euploïde, aidant ainsi les femmes infertiles à donner naissance à un enfant en bonne santé. Bien que plusieurs algorithmes aient été développés pour évaluer le statut de ploïdie des embryons de couples avec des chromosomes normaux subissant un test génétique préimplantatoire pour l’aneuploïdie (PGT-A), l’efficacité des modèles d’IA pour évaluer le statut d’euploïdie dans les blastocystes issus de populations avec des réarrangements chromosomiques reste incertaine.
Cette étude visait à développer un système basé sur l’apprentissage profond pour prédire le statut d’euploïdie des embryons en utilisant des vidéos time-lapse et des variables cliniques prédictives. De février 2020 à mai 2021, les chercheurs ont collecté des vidéos time-lapse brutes à plusieurs plans focaux d’embryons cultivés in vitro, des informations cliniques sur les couples, et les résultats du dépistage chromosomique complet (CCS) des blastocystes ayant reçu un traitement PGT. Initialement, un nouveau modèle d’apprentissage profond appelé Attentive Multi-Focus Selection Network (AMSNet) a été développé pour analyser les vidéos time-lapse en temps réel et prédire la formation des blastocystes. En s’appuyant sur AMSNet, des variables cliniques prédictives supplémentaires ont été intégrées pour créer un deuxième modèle d’apprentissage profond, l’Attentive Multi-Focus Video and Clinical Information Fusion Network (AMCFNet), afin d’évaluer le statut d’euploïdie des embryons. L’efficacité de AMCFNet a été testée dans des embryons avec des réarrangements chromosomiques parentaux.
Un total de 4112 embryons avec des vidéos time-lapse complètes ont été inclus pour la tâche de prédiction de la formation des blastocystes, et 1422 blastocystes qualifiés ayant reçu PGT-A (n = 589) ou PGT pour réarrangement chromosomique structurel (PGT-SR, n = 833) ont été inclus pour la tâche d’évaluation de l’euploïdie. Le modèle AMSNet utilisant sept vidéos time-lapse brutes à plusieurs plans focaux a démontré la meilleure précision en temps réel, atteignant plus de 70 % au jour 2 de la culture d’embryons et augmentant à 80 % au jour 4. Lorsqu’il est combiné avec quatre caractéristiques cliniques des couples, l’aire sous la courbe (AUC) de AMCFNet avec sept points focaux a augmenté à 0,729 dans les blastocystes issus de couples avec réarrangement chromosomique.
L’étude a été menée au Centre de Reproduction du Premier Hôpital Affilié de l’Université Sun Yat-Sen, avec toutes les données collectées sous consentement éclairé et approbation du comité d’examen institutionnel. La stimulation ovarienne contrôlée (COS) a été réalisée en utilisant divers protocoles, et les ovocytes ont été récoltés et inséminés via une injection intracytoplasmique de spermatozoïdes (ICSI). Les zygotes affichant deux pronucléi (2PN) ont été cultivés dans des incubateurs time-lapse, capturant des images à sept plans focaux différents toutes les 10 ou 15 minutes jusqu’à la formation des blastocystes. La biopsie des embryons et la vitrification ont été réalisées, et le CCS utilisant des microarrays SNP et le séquençage de nouvelle génération (NGS) a déterminé le statut d’euploïdie ou d’aneuploïdie de chaque blastocyste.
Le modèle AMSNet a été construit sur ResNet-50, incorporant un module de sélection de caractéristiques multi-focales (MFS) et un module de décalage temporel (TSM). Le module MFS exploite sélectivement les caractéristiques multi-focales via un mécanisme d’attention, tandis que le module TSM déplace les canaux de caractéristiques le long de la dimension temporelle, permettant à AMSNet d’atteindre une compréhension temporelle des vidéos time-lapse. Le modèle AMCFNet a intégré des caractéristiques cliniques et des données chromosomiques avec les vidéos time-lapse, utilisant un réseau d’extraction de caractéristiques cliniques et un réseau d’extraction de caractéristiques de développement embryonnaire. Le module de fusion multimodale tucker pour la réponse visuelle à des questions (MUTAN) a fusionné ces caractéristiques pour prédire la probabilité qu’un blastocyste soit euploïde.
L’entraînement et l’évaluation des performances de AMSNet et AMCFNet ont impliqué la division aléatoire des patients en ensembles d’entraînement, de validation et de test. Les deux modèles ont été implémentés sur PyTorch et entraînés en utilisant l’optimiseur de descente de gradient stochastique (SGD). La performance de AMCFNet a été évaluée par l’AUC moyenne de la courbe ROC dans l’ensemble de test. Le modèle a été testé dans des blastocystes de patients ayant subi un traitement PGT-SR, une population à haut risque d’aneuploïdie.
Les résultats ont montré que AMSNet a atteint une AUC de 0,764, 0,809 et 0,881 dans l’ensemble de test pour la prédiction de la formation des blastocystes au jour 2, jour 3 et jour 4, respectivement. Pour la tâche d’identification de l’euploïdie, AMSNet avec trois vidéos time-lapse brutes focalisées a atteint une AUC de 0,658. Lorsqu’il est combiné avec quatre caractéristiques cliniques, l’AUC de AMCFNet avec cinq et sept points focaux a augmenté à 0,770 et 0,778, respectivement. Dans les embryons avec des réarrangements chromosomiques parentaux, AMCFNet avec sept points focaux a montré une AUC de 0,729.
L’étude a démontré que AMSNet et AMCFNet peuvent prédire avec précision la formation des blastocystes et le statut d’euploïdie, en particulier dans les populations avec des réarrangements chromosomiques. Ces modèles ont le potentiel d’aider les embryologistes à sélectionner des embryons avec un fort potentiel de développement et un statut d’euploïdie, optimisant les techniques de sélection d’embryons et améliorant les résultats cliniques des traitements de reproduction assistée. L’intégration de l’imagerie time-lapse et des informations cliniques dans les modèles d’apprentissage profond représente une avancée significative dans le domaine de la médecine reproductive.
doi.org/10.1097/CM9.0000000000002803
For educational purposes only.