Повышение клинической значимости: модель оценки эмбрионов на основе глубокого обучения для неинвазивного прогнозирования анеуплоидии

Введение: Наилучшим методом отбора эмбрионов по плоидности является предимплантационное генетическое тестирование на анеуплоидии (PGT-A). Однако этот метод требует больше затрат труда, денег и опыта. Поэтому по-прежнему были необходимы более доступные неинвазивные подходы. Недавно для автоматизации и объективизации оценки изображений были предложены анализы, основанные на искусственном интеллекте.

Методы: В ретроспективное исследование включили 3448 биопсированных бластоцист из 979 циклов time-lapse (TL)-PGT, которые проанализировали ретроспективно. В инкубаторах TL использовали алгоритм глубокого обучения «intelligent data analysis (iDA) Score», присваивавший каждой бластоцисте оценку от 1,0 до 9,9.

Результаты: Выявлены значимые различия в iDAScore между бластоцистами с разной плоидностью. Кроме того, многомерный логистический регрессионный анализ показал, что более высокие баллы значимо коррелировали с эуплоидией (p < 0,001). Площадь под кривой (AUC) для iDAScore в отдельности при прогнозировании эуплоидного эмбриона составила 0,612, а при добавлении клинических и эмбриологических характеристик повысилась до 0,688.

Выводы: Это исследование предоставило дополнительные данные, подтверждающие клиническую применимость iDAScore. Метод может служить неинвазивной и недорогой альтернативой для пациентов, у которых нет пригодной для биопсии бластоцисты, или для социально незащищённых пациентов. Однако точность оценки плоидности эмбриона по-прежнему зависит от результатов анализа методом секвенирования нового поколения (NGS).