Können künstliche Intelligenz und Zeitrafferaufnahmen helfen, gesunde Embryonen bei Paaren mit Chromosomenstörungen zu identifizieren?
Die Fortpflanzungsmedizin hat in den letzten vier Jahrzehnten enorme Fortschritte gemacht. Die Erfolgsraten bei der künstlichen Befruchtung (IVF) und dem Embryotransfer (ET) sind von 20 % auf 40 % gestiegen. Trotzdem gibt es noch Herausforderungen, insbesondere bei der Auswahl der besten Embryonen. Traditionelle Methoden, wie die Bewertung von Embryonen am dritten Tag (D3) oder das Gardner-Blastozysten-Bewertungssystem, haben ihre Grenzen. Künstliche Intelligenz (KI) wird zunehmend eingesetzt, um Embryonen mit hohem Entwicklungspotenzial zu identifizieren oder den Chromosomenstatus von Blastozysten vorherzusagen. Doch die meisten Studien konzentrieren sich auf junge Frauen oder Paare ohne Chromosomenstörungen. Wie sieht es bei Paaren mit Chromosomenumlagerungen aus?
Das Hauptziel der Fortpflanzungsbehandlung ist die Übertragung eines gesunden Embryos, um eine erfolgreiche Schwangerschaft zu ermöglichen. Bisherige KI-Modelle wurden hauptsächlich für Paare mit normalen Chromosomen entwickelt. Ihre Wirksamkeit bei Paaren mit Chromosomenstörungen ist jedoch unklar.
Eine aktuelle Studie hat ein KI-basiertes System entwickelt, das den Chromosomenstatus von Embryonen mithilfe von Zeitrafferaufnahmen und klinischen Daten vorhersagt. Die Forscher sammelten zwischen Februar 2020 und Mai 2021 Zeitrafferaufnahmen von Embryonen, klinische Informationen der Paare und Ergebnisse der Chromosomenuntersuchungen (CCS) von Blastozysten, die eine genetische Vorabuntersuchung (PGT) durchlaufen hatten.
Zunächst entwickelten sie ein KI-Modell namens Attentive Multi-Focus Selection Network (AMSNet), das Zeitrafferaufnahmen analysiert und die Bildung von Blastozysten vorhersagt. Aufbauend auf AMSNet wurde ein zweites Modell, das Attentive Multi-Focus Video and Clinical Information Fusion Network (AMCFNet), entwickelt, das zusätzlich klinische Daten nutzt, um den Chromosomenstatus der Embryonen zu bewerten. Die Wirksamkeit von AMCFNet wurde auch bei Embryonen mit elterlichen Chromosomenumlagerungen getestet.
Insgesamt wurden 4112 Embryonen mit vollständigen Zeitrafferaufnahmen für die Vorhersage der Blastozystenbildung untersucht. Für die Bewertung des Chromosomenstatus wurden 1422 Blastozysten verwendet, die entweder eine genetische Vorabuntersuchung auf Chromosomenstörungen (PGT-A) oder auf strukturelle Chromosomenumlagerungen (PGT-SR) durchlaufen hatten.
AMSNet zeigte eine hohe Genauigkeit bei der Vorhersage der Blastozystenbildung. Mit sieben Fokusebenen erreichte das Modell am zweiten Tag der Embryokultur eine Genauigkeit von über 70 %, die bis zum vierten Tag auf 80 % stieg. In Kombination mit klinischen Daten erreichte AMCFNet bei Embryonen mit Chromosomenumlagerungen eine Genauigkeit von 0,729 (gemessen an der Fläche unter der ROC-Kurve, AUC).
Die Studie wurde im Reproduktionszentrum des First Affiliated Hospital of Sun Yat-Sen University durchgeführt. Alle Daten wurden mit Zustimmung der Patienten und Genehmigung der Ethikkommission erhoben. Die Eizellen wurden durch hormonelle Stimulation gewonnen und mittels intrazytoplasmatischer Spermieninjektion (ICSI) befruchtet. Die Embryonen wurden in Zeitraffer-Inkubatoren kultiviert, wobei alle 10 bis 15 Minuten Bilder auf sieben verschiedenen Fokusebenen aufgenommen wurden. Nach der Blastozystenbildung wurden Biopsien durchgeführt, und der Chromosomenstatus wurde mithilfe von SNP-Microarrays und Next-Generation Sequencing (NGS) bestimmt.
AMSNet basiert auf dem ResNet-50-Modell und integriert ein Modul zur Auswahl von Merkmalen aus mehreren Fokusebenen (MFS) sowie ein Modul zur zeitlichen Verschiebung von Merkmalen (TSM). Diese Module ermöglichen es dem Modell, die zeitliche Entwicklung der Embryonen zu verstehen. AMCFNet kombiniert klinische Daten mit Zeitrafferaufnahmen und nutzt ein Fusionsmodul (MUTAN), um die Wahrscheinlichkeit eines gesunden Embryos vorherzusagen.
Die Modelle wurden in PyTorch implementiert und mit dem Stochastic Gradient Descent (SGD)-Optimierer trainiert. Die Leistung von AMCFNet wurde anhand der durchschnittlichen AUC in der Testgruppe bewertet. Besonderes Augenmerk lag auf Blastozysten von Patienten, die eine PGT-SR-Behandlung durchlaufen hatten, da diese ein hohes Risiko für Chromosomenstörungen aufweisen.
Die Ergebnisse zeigten, dass AMSNet eine AUC von 0,764, 0,809 und 0,881 für die Vorhersage der Blastozystenbildung am zweiten, dritten und vierten Tag erreichte. Für die Identifizierung gesunder Embryonen erreichte AMSNet mit drei Fokusebenen eine AUC von 0,658. In Kombination mit klinischen Daten stieg die AUC von AMCFNet auf 0,770 (fünf Fokusebenen) bzw. 0,778 (sieben Fokusebenen). Bei Embryonen mit elterlichen Chromosomenumlagerungen erreichte AMCFNet mit sieben Fokusebenen eine AUC von 0,729.
Die Studie zeigt, dass AMSNet und AMCFNet die Blastozystenbildung und den Chromosomenstatus von Embryonen, insbesondere bei Paaren mit Chromosomenstörungen, genau vorhersagen können. Diese Modelle könnten Embryologen dabei unterstützen, Embryonen mit hohem Entwicklungspotenzial auszuwählen und die Erfolgsraten der Fortpflanzungsbehandlung zu verbessern. Die Integration von Zeitrafferaufnahmen und klinischen Daten in KI-Modelle stellt einen bedeutenden Fortschritt in der Reproduktionsmedizin dar.
For educational purposes only.
doi.org/10.1097/CM9.0000000000002803