به گزارش پایگاه اطلاع رسانی بنیان، در طی لقاح آزمایشگاهی (IVF)، تعدادی جنین مختلف از تخمک و اسپرم تولید می‌شود. سپس جنین شناسان انتخاب می‌کنند که کدام یک از جنین‌ها بیشتر به بارداری موفق منجر می‌شود و آن را به بیمار منتقل می‌کنند. جنین شناسان این انتخاب را با استفاده از تخصص خود برای اعمال مجموعه‌ای از اصول پذیرفته شده بر اساس ظاهر جنین انجام می‌دهند. در سال‌های اخیر علاقه زیادی به استفاده از تکنیک‌های مختلف هوش مصنوعی (AI) در این فرآیند وجود داشته است. محققان یکی از این سیستم‌های هوش مصنوعی را توسعه داده و آن را در مطالعه‌ای روی بیش از 1000 بیمار IVF آزمایش کردند. این سیستم در حدود دو سوم موارد جنین مشابهی را به عنوان متخصص انسانی انتخاب کرد و میزان موفقیت کلی آن فقط اندکی کمتر بود. هوش مصنوعی (AI)، به ویژه یادگیری عمیق، به عنوان یک فناوری انقلابی معرفی شده است، با پتانسیل آن در مراقبت‌های بهداشتی، به ویژه در رابطه با تفسیر و گزارش تصاویر پزشکی، که به طور گسترده مورد تایید قرار گرفته است. علیرغم پتانسیل آن، کاربرد بالینی هوش مصنوعی در مراقبت‌های بهداشتی در کارآزمایی‌های تصادفی‌سازی و کنترل‌شده (RCTs) مورد بررسی قرار نگرفته است. در طی لقاح آزمایشگاهی (IVF)، یک چالش کلیدی انتخاب جنینی است که بهترین شانس تولد زنده را از میان گروهی از جنین‌های قابل استفاده به بیمار می‌دهد. در حال حاضر، در طول دوره کشت، جنین شناس جنین‌ها را معمولاً بیش از یک بار از انکوباتور خارج می‌کند و یک ارزیابی مورفولوژیکی عکس فوری را زیر میکروسکوپ انجام می‌دهد. این رویکرد زمان‌بر، ذهنی است و در اصل از اولین زایمان IVF در 45 سال پیش، تغییر کمی کرده است. ظهور انکوباتورهای تایم لپس، که قادر به ثبت تصاویر مکرر جنین در طی پنج تا شش روز رشد هستند، نیاز به خارج کردن جنین از انکوباتور برای ارزیابی را دور زده و اختلال را به حداقل می‌رساند. ترکیب این با یک الگوریتم انتخاب خودکار معتبر، پتانسیل بیشتری برای بهبود قابل ملاحظه کارایی گردش کار در مقایسه با جوجه کشی استاندارد و غلبه بر ذهنیت دارد. تا به امروز، چندین مطالعه از الگوریتم‌های یادگیری عمیق برای درجه‌بندی کیفیت جنین یا طبقه‌بندی مرحله رشد بر اساس تصاویر استاتیک از انکوباتورهای تایم لپس استفاده کرده‌اند. اخیراً، الگوریتم یادگیری عمیق iDAScore توسعه یافته است که از الگوهای فضایی (مورفولوژیکی) و زمانی (مورفوکینتیک) از تصاویر با گذشت زمان در شش روز اول رشد جنینی (تا مرحله بلاستوسیست) برای پیش‌بینی، با قابلیت تشخیص و تکرارپذیری بالا استفاده می‌کند.

آیا یادگیری عمیق می‌تواند به IVF کمک کند؟

محققان در چند سال گذشته، نرم‌افزاری را توسعه دادند تا تشخیص دهند کدام جنین بیشترین شانس موفقیت IVF را دارد. این سیستم از یادگیری عمیق، یک روش هوش مصنوعی برای یافتن الگوها در مقادیر زیاد داده استفاده می‌کند. در حالی که محققان در حال توسعه سیستم خود بودند، مطالعات گذشته‌نگر را انجام داده که انتخاب‌های سیستم را با تصمیمات دنیای واقعی گذشته که توسط جنین‌شناسان گرفته شده بود، مقایسه کردند. این نتایج اولیه نشان داد که سیستم یادگیری عمیق ممکن است حتی بهتر از یک متخصص انسانی کار کند. بنابراین مرحله بعدی آزمایش صحیح سیستم با یک کارآزمایی تصادفی بود. کارآزمایی این مطالعه شامل 1066 بیمار در 14 کلینیک باروری در استرالیا و اروپا (دانمارک، سوئد و بریتانیا) بود. برای هر بیمار، هم سیستم یادگیری عمیق و هم یک متخصص انسانی، جنینی را برای کاشت انتخاب کردند. سپس یک انتخاب تصادفی از بین این دو انتخاب شد. این مطالعه اولین کارآزمایی تصادفی‌سازی‌شده و کنترل‌شده است که تاکنون بر روی یک سیستم یادگیری عمیق در انتخاب جنین انجام شده است. یادگیری عمیق ممکن است کاربردهای پزشکی زیادی داشته باشد، اما این تا کنون یکی از معدود کارآزمایی‌های تصادفی‌شده آینده‌نگر این فناوری در هر حوزه‌ای از مراقبت‌های بهداشتی است.

یافته‌های این مطالعه

محققان آنچه در این مطالعه دریافتند این بود که عملاً هیچ تفاوتی بین این دو رویکرد وجود نداشت. میزان حاملگی بالینی (احتمال دیده شدن قلب جنین پس از انتقال اولین جنین) زمانی که سیستم یادگیری عمیق جنین را انتخاب کرد، 46.5 درصد و زمانی‌که جنین شناس جنین را انتخاب کرد، 48.2 درصد بود. به عبارت دیگر، تفاوت بسیار کمی وجود داشت. در واقع، 65.8٪ مواقع، سیستم یادگیری عمیق همان جنینی را انتخاب کرد که جنین شناس بود. با این حال، محققان همچنین دریافتند که سیستم هوش مصنوعی وظیفه انتخاب جنین را ده برابر سریعتر از جنین شناس انجام می‌دهد. یکی از اهداف مطالعه اثبات عدم کاستی سیستم یادگیری عمیق بود. این در تحقیقات پزشکی رایج است، زیرا ما همیشه می‌خواهیم مطمئن شویم که یک روش جدید پیشنهادی به نتایج بدتر از استاندارد موجود منجر نمی‌شود. علیرغم این واقعیت که سیستم یادگیری عمیق نتایج بسیار مشابهی با نتایج متخصصان انسانی ایجاد کرد، مطالعه محققان مانع اثبات عدم کاستی را کاملاً برطرف نکرد. همانطور که اتفاق افتاد، میزان موفقیت کلی در مطالعه بسیار بالاتر از آن چیزی بود که محققان انتظار داشتند. این آمار، وضعیت را تغییر داد و به این معنی بود که  به یک مطالعه بسیار بزرگتر - با تقریباً 8000 بیمار - نیاز داشت تا ثابت کند روش جدید ضعیف نیست.

تفاوت قابل توجهی وجود ندارد

تعدادی از نگرانی‌های اخلاقی قبلاً در مورد یادگیری عمیق در انتخاب جنین مطرح شده بود. یکی از این نگرانی‌ها، تغییر احتمالی نسبت جنسیتی است. یعنی در نهایت به جنین‌های نر یا ماده بیشتر از طریق انتخاب مغرضانه توسط مدل یادگیری عمیق است. با این حال، محققان هیچ تغییری در نسبت جنسی در نتیجه انتخاب جنین یادگیری عمیق پیدا نکردند. محققان از مطالعه خود به این نتیجه رسیدند که تفاوت معنی داری در میزان بارداری بین انتخاب جنین توسط یک سیستم یادگیری عمیق یا انتخاب جنین توسط یک جنین شناس با تجربه وجود ندارد. از اینجا به نظر می‌رسد که استفاده از یک ابزار یادگیری عمیق برای انتخاب جنین به طور اساسی نتیجه را تغییر نمی‌دهد (زیرا اکثراً همان جنین را انتخاب می‌کند) برای بیمار تحت IVF. با این‌حال، استفاده از یک ابزار خودکار قابل اعتماد از این نوع ممکن است آزمایشگاه‌های جنین شناسی را کارآمدتر و سازگارتر کند. نتیجه‌گیری بیشتر از این مطالعه این است که کارآزمایی‌های تصادفی‌سازی‌شده، که سال‌ها طول می‌کشد، ممکن است رویکرد بهینه برای مطالعه فناوری‌های در حال پیشرفت سریع مانند این نباشد. کار آینده محققان در ارزیابی این فناوری نیاز به بررسی رویکردهای جایگزین دارد، اما هنوز از نظر بالینی معتبر برای این موضوع دارد.

پایان مطلب./