Мексиканская биотехнологическая компания Conceivable Life Sciences недавно объявила, что появился на свет первый ребенок, зачатый с помощью умной системы инъекции сперматозоидов. Процедура оплодотворения, по словам ученых, была «почти полностью» автоматизирована. «Новая газета Европа» рассказывает, как умные технологии и ИИ применяют в сфере репродуктивного здоровья и что они могут дать людям, которые долгие годы не могут иметь детей.
Автоматизация ЭКО
В 90-е годы эффективность процедуры эстракорпорального оплодотворения (ЭКО) удалось повысить благодаря появлению метода интрацитоплазматической инъекции сперматозоидов (ИКСИ). При этой процедуре эмбриолог выбирает наиболее «качественный» сперматозоид, а затем, используя микроиглу, вводит его в центр яйцеклетки. Вероятность зачатия при ИКСИ выше — 60–70% против 30–40% при стандартном ЭКО.
В 2024 году компания Conceivable Life Sciences усовершенствовала процедуру ИКСИ, используя искусственный интеллект и робототехнику. Ученый Жак Коэн и его команда разработали специальный аппарат, который управляется ИИ и самостоятельно выполняет 23 этапа процедуры оплодотворения.
В частности, искусственный интеллект выбирает наиболее здоровый сперматозоид и определяет его позиционирование перед введением в яйцеклетку. По мнению ученых, точность, с которой робот способен обездвижить, а затем ввести сперматозоид, недоступна человеку.
Автоматизированная система интрацитоплазматической инъекции сперматозоидов. Фото: rbmojournal.com
Первую процедуру провели в клинике Hope IVF в Гвадалахаре с использованием донорских яйцеклеток: удалось получить четыре эмбриона, один из которых был имплантирован. Пациентка — 40-летняя женщина, ранее пережившая неудачное ЭКО, — забеременела и родила здорового ребенка.
Разработчики технологии отмечают, что обновление системы ИКСИ позволит снизить число человеческих ошибок при оплодотворении, а в будущем обеспечит работу полностью автоматизированной лаборатории. Это сделает процедуру более доступной по всему миру. Кроме того, говорят эмбриологи, автоматизированный подход улучшит выживаемость яйцеклеток и сократит время инъекции. При первой операции эта процедура заняла чуть меньше 10 минут на яйцеклетку, но в будущем команда планирует «значительно сократить» это время.
Селекция и анализ эмбрионов
Исследователи из США научились применять искусственный интеллект для анализа изображений эмбрионов, оценки их жизнеспособности и выбора наиболее перспективных для имплантации. Ученые разработали алгоритм Inception V3, анализирующий тысячи изображений, выявляя те внешние признаки, которые сложно заметить человеку. ИИ оценивает качество эмбриона (хорошее, удовлетворительное или плохое), используя модели глубокого обучения, которые тренировали на тысячах изображений. Эти модели оценивают такие факторы, как закономерности деления клеток, метаболическую активность и генетическую целостность, чтобы выявить наиболее перспективный эмбрион. Средняя точность прогнозирования на 90% превышает точность прогнозирования человеком.
Японские исследователи усовершенствовали алгоритм отбора эмбрионов по изображениям, добавив фактор возраста пациентов. Здесь ИИ снова демонстрирует лучшие результаты, чем человек. Исследователи считают, что внедрение такой системы повысит вероятность успешной беременности и снизит количество необходимых попыток ЭКО.
ИИ-система предсказывает перспективы развития эмбрионов / onlinelibrary.wiley.com. Сверху: ИИ-прогноз живорождения и мертворождения, снизу: изображения живых и мертвых эмбрионов
Отбор яйцеклеток и сперматозоидов
Ученые из Италии сконцентрировались на разработке метода отбора здоровых ооцитов — женских гамет, которые обеспечивают образование эмбриона после оплодотворения. Они разработали свой метод классификации на основе анализа ооцитов мышей в процессе их созревания под микроскопом. Система делает изображения созревающих ооцитов каждые восемь минут, а потом анализирует их с помощью метода Particle Image Velocimetry (оптического метода измерения мгновенных полей скорости жидкости или газа), который вычисляет профиль скоростей движения цитоплазмы для каждого ооцита. Наконец, эти профили пропускают через нейросеть, и та предсказывает математическую вероятность того, что гамета будет оплодотворена. Точность предсказания у мышей превысила 91% — теперь эту технологию планируют испытать на людях.
Сравнение перспективного и бесперспективного ооцитов. Фото: nih.gov. Сверху вниз: созревание в пробирке (0 - 15 часов), перспективный в плане развития ооцит, бесперспективный в плане развития ооцит, в начале (GV) и в конце (MII)
Технологии искусственного интеллекта также используются для автоматизированного отбора качественных сперматозоидов. Изначально международная группа исследователей разработала алгоритм, который анализировал внешние признаки сперматозоидов на изображениях, полученных с помощью очень точных микроскопов методом интерфероматической фазовой микроскопии (IPM). В итоге система отбирала качественные сперматозоиды с точностью до 90% и выше. Теперь ее предлагают использовать для проведения ЭКО.
А в 2024 году канадские исследователи представили более продвинутую систему SiD (Single-Sperm Selection Software) для оценки и отбора сперматозоидов в режиме реального времени. Это автоматизированное программное обеспечение анализирует их подвижность, в том числе скорость, траекторию и шаблон движения головки. Впоследствии программа объединяет эти измерения для количественной и качественной оценки параметров, а потом предлагает лучший вариант спермы для оплодотворения.
Пользовательский интерфейс программного обеспечения SiD. Сперматозоиды оцениваются по уровням «низкий», «средний», «хороший» или «лучший» и помечаются индикаторами от красного до зеленого цветов / nih.gov
Авторы разработки считают, что методика SiD значительно ускорит процесс ЭКО.
В настоящее время в репродуктивной медицине уже используются системы компьютерного анализа спермы (CASA). Они выявляют процентное содержание подвижных сперматозоидов и определяют их параметры. Эту систему усовершенствовали за счет алгоритма, обученного на хромосомных аномалиях, — теперь она позволяет выявлять причины бесплодия с точностью более 95% вместо 88%, как раньше. Кроме того, исследователи дополнили метод анкетированием пациентов, чтобы разработать ИИ-систему для прогнозирования уровня фертильности у мужчин.
ИИ для информирования и диагностики
В некоторых регионах исследователи запускают проекты чат-ботов и ИИ-агентов, ориентированных на общение по вопросам репродуктивного здоровья и заболеваний, — они особенно актуальны, если доступ к квалифицированной медицинской помощи ограничен. Так, исследователи Бостонского университета протестировали в странах Южной Африки технологию воплощенного разговорного агента (embodied conversational agents, ECA) для распространения информации о сексуальном и репродуктивном здоровье. Агент Gabby, который работает как виртуальная акушерка, использует мимику и жесты, присущие местным жителям, и говорит на всех наречиях. С ним можно пообщаться на темы планирования семьи, использования витаминов и здорового питания.
А в рамках инициативы GHAIN MENA «Спасение жизней матерей с помощью искусственного интеллекта в сельских районах Марракеша»
в Марокко разрабатывают приложение на основе ИИ, способное диагностировать беременности с высоким риском, которые могут иметь неблагоприятный исход для матери или плода.
Его развернут в 12 сельских центрах первичной медико-санитарной помощи, чтобы снизить коэффициент материнской смертности за счет повышения точности диагностики беременных.
В рамках проекта «FADA: Fetal Abnormality Detection Algorithm» в Катаре разрабатывается приложение искусственного интеллекта, которое будет преобразовывать стандартные 2D-ультразвуковые сканы в комплексные 3D-изображения. Это позволит медикам получать полную картину плода, чтобы лучше диагностировать возможные аномалии на ранних стадиях.
Перспективы и ограничения технологий
Исследователи отмечают, что существующие ИИ-инструменты пока могут лишь ограниченно применяться в репродуктивной сфере медицины. Они выделили следующие проблемы:
1. Ограниченность методов машинного обучения алгоритмов. В настоящее время используется контролируемое обучение, чтобы избежать ошибок в данных. Этот алгоритм использует маркированные данные для разработки моделей, которые могут предсказать известный результат. Однако маркировка данных требует многочасового ручного труда специалистов;
2. Ограниченность медицинских данных для обучения. Поскольку репродуктология работает с конфиденциальными данными, зачастую их нельзя применять для обучения ИИ;
3. Нехватка крупномасштабных и контролируемых испытаний для проверки работы алгоритмов. Большинство исследователей ограничиваются классификацией получаемых данных, но не внедряют их в работающие системы, чтобы использовать в медицинской аналитике. Это не позволяет применять ИИ, например, на этапе диагностики заболеваний репродуктивной сферы.
Тем не менее, исследователи видят большие перспективы у внедрения ИИ в репродуктологию. Так, если будет решена проблема «черного ящика» (скрытости работы и принятия решений) в алгоритмах глубокого обучения, их можно будет обучать на немаркированных данных, и это решит проблему ручного труда.
Исследователи считают, что в будущем объединение медицинских данных из электронных медицинских карт, медицинских изображений, лабораторных исследований, генетической информации и медицинских карт с передовыми методами ИИ изменит практическую медицину. Возможно, появится система поддержки принятия решений на основе больших данных, которая будет обновляться в режиме реального времени, помогая врачам принимать более обоснованные решения в репродуктологии.
