پژوهشگران ایرانی یک چارچوب مبتنی بر یادگیری عمیق چندحالته توسعه دادهاند که میتواند بهصورت خودکار کیفیت بلاستوسیستها را ارزیابی و احتمال برخی پیامدهای درمان لقاح آزمایشگاهی (IVF) را پیشبینی کند.
به گزارش دیدهبان علم ایران، انتخاب جنین مناسب برای انتقال یکی از مهمترین مراحل در درمان ناباروری به روش لقاح آزمایشگاهی (IVF) است. در حال حاضر، ارزیابی کیفیت بلاستوسیست عمدتاً بر اساس بررسی مورفولوژیک ساختارهایی مانند توده سلولی داخلی (ICM)، تروفکتودرم (TE) و میزان گسترش حفره بلاستوسیست انجام میشود؛ ارزیابیای که تا حدی به تجربه و قضاوت جنینشناس وابسته است.
گلشید ابریشمی، دانشجوی دکتری زیست شناسی سلولی و تکوینی دانشگاه آزاد اسلامی مشهد در تحقیقات خود که در بیست و هفتمین کنگره پزشکی تولیدمثل رویان ارائه شده یک سامانه یادگیری عمیق چندحالته و یکپارچه طراحی کرده که این سه مؤلفه مورفولوژیک را بهصورت خودکار ارزیابی میکند و در گام بعد، تلاش دارد پیامدهای بالینی IVF را نیز پیشبینی کند.
استفاده از مدلهای پیشرفته بینایی ماشین
در این چارچوب از مدل ViT-Large EVA-02 برای تحلیل تصاویر بلاستوسیست استفاده شده است. دادههای مورد استفاده شامل تصاویر مربوط به ۲ هزار و ۲۴ بلاستوسیست از ۸۰۲ بیمار بوده است.
مدل پیشنهادی با استفاده از یک ساختار «آبشاری ضربکننده» و تابع زیان نامتقارن طراحی شده تا مشکل عدم توازن میان کلاسهای مختلف را کاهش دهد. همچنین پژوهشگران از روشی برای اصلاح تغییر برچسبها استفاده کردند؛ موضوعی که اهمیت آن از این جهت است که درجهبندی مورفولوژیک جنین میتواند میان ارزیابهای مختلف متفاوت باشد.
نتایج در مجموعه آزمون مستقل نشان داد که میزان توافق مدل با ارزیابی متخصصان، بر اساس ضریب کاپای کوهن، برای مؤلفههای مختلف در محدوده ۰.۷۶۵ تا ۰.۸۰۴ قرار دارد. پس از اعمال روش اصلاح برچسب، این مقادیر به حدود ۰.۸۲۱ تا ۰.۸۵۲ افزایش یافت؛ بیشترین بهبود مربوط به درجهبندی تروفکتودرم بود.
پیشبینی بارداری و تولد زنده؛ نقطه قوت یا محدودیت؟
بخش دیگری از پژوهش به بررسی توانایی مدل برای پیشبینی پیامدهای بالینی اختصاص داشت. مدل برای پیشبینی بارداری بیوشیمیایی، فعالیت قلبی جنین و تولد زنده بهترتیب به مقادیر AUROC حدود ۰.۶۶۸، ۰.۶۰۸ و ۰.۵۷۴ دست یافت.
این اعداد نشان میدهند که اگرچه مدل در درجهبندی مورفولوژیک بلاستوسیست عملکرد قابلتوجهی نشان داده، توانایی آن برای پیشبینی مستقیم پیامدهای نهایی درمان، بهویژه تولد زنده، هنوز محدود است و نمیتوان آن را جایگزینی برای ارزیابی بالینی و تصمیمگیری جنینشناسان دانست.
پژوهشگران همچنین با استفاده از تحلیل عدمقطعیت مبتنی بر Monte Carlo Dropout، قابلیت اطمینان پیشبینیهای مدل را بررسی کردند و نقشههای توجه مدل نشان دادند که بخشهایی مانند ناحیه مرکزی رویانی و مرزهای محیطی تروفکتودرم از ویژگیهای مهم مورد استفاده الگوریتم بودهاند.
گامی به سوی انتخاب هوشمندانهتر جنین
اهمیت اصلی این مطالعه در آن است که برخلاف برخی سامانههای هوش مصنوعی که صرفاً به یک شاخص برای درجهبندی جنین متکی هستند، چارچوب پیشنهادی تلاش میکند چندین ویژگی مورفولوژیک را بهصورت همزمان ارزیابی و سپس اطلاعات حاصل را برای پیشبینی پیامد بالینی ترکیب کند.
با این حال، نتایج مربوط به تولد زنده نشان میدهد که فاصله میان «تشخیص کیفیت ظاهری جنین» و «پیشبینی موفقیت واقعی درمان» همچنان قابلتوجه است. به گزارش دیدهبان علم ایران، عواملی مانند وضعیت رحم، ویژگیهای مادر، سن، عوامل ژنتیکی و شرایط آزمایشگاهی نیز در نتیجه IVF نقش دارند و صرفاً از روی تصویر بلاستوسیست قابل پیشبینی نیستند.
از این رو، این چارچوب را میتوان بیشتر ابزاری کمکی برای استانداردسازی و کاهش وابستگی ارزیابی جنین به قضاوت فردی دانست، نه سامانهای که بتواند بهتنهایی بهترین جنین را برای انتقال تعیین کند. مطالعات آینده با مجموعهدادههای بزرگتر، چندمرکزی و اعتبارسنجی بالینی میتوانند مشخص کنند که آیا چنین مدلهایی واقعاً به افزایش نرخ لانهگزینی و تولد زنده منجر میشوند یا خیر.
مطالعات پیشین نیز نشان دادهاند که استفاده از یادگیری عمیق برای ارزیابی مورفولوژی جنین و بلاستوسیست، از جمله تحلیل همزمان تصاویر در فوکوسهای مختلف، میتواند دقت ارزیابی کیفیت جنین را افزایش دهد؛ بنابراین چارچوب چندحالته مطرحشده در این مطالعه در امتداد یک روند پژوهشی رو به رشد در کاربرد هوش مصنوعی در پزشکی تولیدمثل قرار میگیرد.
انتهای پیام