Глубокое обучение для оценки эмбрионов с помощью time-lapse: систематический обзор точности диагностических тестов

Цель: изучить точность моделей сверточных нейронных сетей при оценке эмбрионов с использованием time-lapse-мониторинга.

Источники данных: выполнен систематический поиск в базах данных PubMed и Web of Science за период с января 2016 года по декабрь 2022 года. Поиск проводили с использованием ключевых слов и терминов MeSH (Medical Subject Headings).

Критерии приемлемости исследований: включали исследования, если в них сообщалась точность моделей сверточных нейронных сетей для оценки эмбрионов с использованием time-lapse-мониторинга. Обзор зарегистрирован в PROSPERO (International Prospective Register of Systematic Reviews; регистрационный номер CRD42021275916).

Методы: два автора независимо друг от друга проводили отбор результатов с использованием программного обеспечения Covidence для систематических обзоров. Полные тексты статей анализировали, если исследования соответствовали критериям включения или при любой неопределенности. Разногласия разрешал третий рецензент. Риск систематической ошибки и применимость оценивали с помощью инструмента QUADAS-2 и модифицированного чек-листа Joanna Briggs Institute, или JBI.

Результаты: после систематического поиска литературы было выявлено 22 исследования, соответствовавших критериям включения. Все исследования были ретроспективными. Проанализировано в общей сложности 522 516 изображений 222 998 эмбрионов. Оценивали три основных исхода: успешное оплодотворение in vitro, классификацию на стадию бластоцисты и качество бластоцисты. В большинстве исследований точность превышала 80%, а в некоторых случаях эмбриологи уступали моделям. В 10 исследованиях риск систематической ошибки был высоким, главным образом из-за смещения, связанного с отбором пациентов.

Вывод: применение искусственного интеллекта в time-lapse-мониторинге может обеспечить более эффективную, точную и объективную оценку эмбрионов. Наилучшие результаты показали модели, оценивавшие стадию бластоцисты. Модели, предсказывавшие живорождение, имели низкий риск систематической ошибки, использовали самые крупные базы данных и проходили внешнюю валидацию, что повышает их клиническую значимость. Ограничением обзора является высокая гетерогенность включенных исследований. Исследователям следует делиться базами данных и стандартизировать представление результатов.