Le ayudamos a clasificar los algoritmos de IA para la evaluación de embriones

por Alexandra Boussommier-Calleja

Si ha asistido a la ESHRE, lo más probable es que no necesite convencerse de que la IA para la evaluación de embriones no es sólo una moda destinada a desaparecer en un par de años. El interés ha persistido lo suficiente como para que todos sepamos que la IA para la evaluación de embriones ha llegado para quedarse. Tarde o temprano, todos los laboratorios utilizarán la IA para la evaluación de embriones. Pero, ¿cómo navegar por la nueva tecnología y encontrarle sentido? Permítanos ayudarle a hacerlo.

Pongamos las cosas en cajas

A todos nos gusta poner las cosas en cajas para ayudarnos a entender el complejo mundo en que vivimos. Hagamos lo mismo para desglosar los algoritmos de IA aplicados a las evaluaciones de embriones, con estas 5 categorías sugeridas:

1- Etiquetas objetivas frente a subjetivas

Los algoritmos entrenados con etiquetas subjetivas siguen la inteligencia humana. Han sido entrenados para reproducir la forma en que los embriólogos evalúan los embriones hoy en día, y se les ha pedido que se centren únicamente en los criterios que los embriólogos consideran predictivos del éxito. Por tanto, aunque ahorran tiempo a los embriólogos al automatizar su forma habitual de evaluar los embriones, no pueden ir más allá de la limitación actual del embriólogo (por ejemplo, cuando se enfrenta a embriones de baja calidad que considera que no merece la pena transferir, cuando sabemos que algunos pueden dar lugar a un embarazo).

Algoritmos entrenados en etiquetas objetivas sólo se les pide que se centren en el resultado final objetivo (por ejemplo, el embarazo clínico) y se les da rienda suelta para que se centren en cualquier información que identifiquen como predictiva de dicho resultado. No están sesgados para fijarse sólo en lo que los embriólogos han considerado importante. Estos algoritmos no sólo pueden ayudar a los embriólogos a ahorrar tiempo al ayudarles a tomar una decisión más rápidamente, sino que pueden -a diferencia de los algoritmos entrenados en etiquetas subjetivas- complementar a los embriólogos y ayudarles en situaciones en las que carecen de biomarcadores para tomar una decisión (por ejemplo, cuando se enfrentan sólo a embriones de baja calidad).

2- Algoritmos estáticos frente a algoritmos cinéticos

Algoritmos estáticos se centran en una única imagen del embrión, generalmente adquirida al final del desarrollo embrionario, en el día 5, con cualquier tipo de microscopio.

Algoritmos cinéticos aprovechan la rica información cinética de todo el desarrollo embrionario al ser entrenados en una serie de imágenes grabadas por sistemas time-lapse.

Hoy en día, está ampliamente aceptado que una sola imagen de un embrión dista mucho de ser representativa de su viabilidad, lo que da una ventaja evidente a los algoritmos cinéticos.

3- Algoritmos visuales, tabulares o híbridos

Los algoritmos visuales sólo se entrenan con imágenes de embriones.

Los algoritmos tabulares toman como entrada cualquier dato categórico o numérico, sin haber sido expuestos nunca a la imagen de un embrión.

Los algoritmos híbridos se entrenan tanto con datos visuales como con otras fuentes de datos tabulares para personalizar su resultado y maximizar la precisión.

Aunque la morfocinética es crucial para determinar la viabilidad de un embrión, también se acepta que el contexto clínico puede influir enormemente en la calidad del embrión y la receptividad del útero. Es posible que no toda esta información quede reflejada o captada en la morfocinética embrionaria, por lo que puede aumentar la precisión de las predicciones.

Spoiler: aquí es donde ImVitro destaca del resto de productos existentes.

4- Criterios de valoración biológicos o clínicos

Algoritmos biológicos están entrenados para medir las probabilidades de que se produzca un acontecimiento biológico, es decir, un punto final que sucede en el laboratorio: desde la fecundación hasta el clivaje, la blastulación o los resultados del PGT.

Algoritmos clínicos van más allá de lo que ocurre en el laboratorio y están capacitados para medir las probabilidades de que se produzca un acontecimiento clínico tras su transferencia al útero (por ejemplo, implantación, embarazo, parto).

Los criterios de valoración biológicos se utilizan generalmente para medir la calidad del trabajo embriológico realizado en el laboratorio tras la extracción de los ovocitos. En cambio, los criterios de valoración clínicos dependen también de la calidad de la transferencia embrionaria y de la receptividad del útero, por lo que son más difíciles de predecir si sólo se tiene en cuenta la morfocinética.

5- Predicción frente a reconocimiento

Todos los algoritmos miden la probabilidad de que se produzca un suceso.

Los algoritmos predictivos miden las posibilidades que tiene un acontecimiento de producirse en el futuro, es decir, predicen un punto final que aún no es visible en la imagen.

Otros algoritmos de algoritmos reconocen información que ya es visible en la imagen.

Los algoritmos predictivos llevan más inercia en su validación clínica, ya que el resultado real no puede comprobarse inmediatamente en las imágenes. Pero, ¡le ayudan a sentirse más seguro sobre los posibles resultados!

Diagrama de los métodos de IA utilizados para evaluar embriones

¿Qué caja gana?

La respuesta es sencilla: no hay ganador. Poner algoritmos en cajas ayuda, pero se corre el riesgo de pasar por alto sutilezas y cambios, ya que la tecnología evoluciona rápidamente en este campo.

El algoritmo central de EMBRYOLY que predice el embarazo clínico destaca hoy en día porque está entrenado en:

una etiqueta objetiva para complementar la forma de pensar del embriólogo
datos cinéticos para aprovechar al máximo toda la información del desarrollo embrionario
criterios de valoración clínicos y predictivos para ayudar al embriólogo a ver más allá de lo que ocurre en el laboratorio
datos híbridos para personalizar las predicciones y maximizar su precisión

No obstante, trabajamos constantemente en la integración de los últimos avances en aprendizaje automático para mantenernos a la vanguardia. En cualquier caso, dado que un único algoritmo no puede responder a todas sus preguntas, hemos desarrollado una serie de algoritmos para ofrecerle múltiples puntos de datos que aumenten realmente su toma de decisiones final y añadan transparencia a nuestras recomendaciones.

Reflexiones finales

Creo que la clave del éxito con el tiempo será seguir mezclando la inteligencia humana con los algoritmos existentes, que ya hoy son bastante humanos: recordemos que, aunque la etiqueta sea objetiva, son los ojos del embriólogo los que nos ayudan a preparar los datos. Seguimos agarrando muy fuerte las manos de nuestros algoritmos. Pero más aún, es porque La IA no debería estar aquí sólo para automatizar lo que los embriólogos veteranos ya saben hacer, aunque esto ya sea de gran ayuda para los más jóvenes. La IA debería estar aquí también para ayudarles en situaciones en las que no tienen a quién recurrir. Piense en la ayuda que pueden suponer los algoritmos cuando se enfrenta a embriones de baja calidad: ¿realmente necesita que le repitan que, de hecho, son tan irrecuperables y deben desecharse, cuando sabemos que algunos de ellos pueden dar lugar a un embarazo?

No se conforme sólo con algoritmos de IA que hayan sido entrenados exclusivamente de la misma forma que usted: apueste por aquellos que puedan complementarle. Con la IA a tu lado y contigo al volante, la decisión final solo puede ser más firme.

Referencias

Kragh & Karstoft, 2021 Revista de Reproducción Asistida y Genética

Referencias del diagrama

Barnes et al., 2023 Lancet Digit Health

Berntsen, 2022 PLOS ONE

Chavez-Badiola, 2020 Reprod Biomed Online

Chen et al,. 2019 Fertilidad y reproducción

Danardono et al., 2022 J Reprod Infertil.

Dirvanauskas 2019, Comput Methods Programs Biomed

Duval et al., 2023 Reproducción humana

Fukunaga et al., 2020 Medicina y Biología Reproductivas

Khosravi y otros, 2019 NPJ Medicine