Vous aider à catégoriser les algorithmes d'IA pour l'évaluation des embryons

par Alexandra Boussommier-Calleja

Si vous avez participé à ESHRE, il est fort probable que vous n'ayez pas besoin d'être convaincu que l'IA pour l'évaluation des embryons n'est pas une simple tendance vouée à disparaître dans quelques années. L'intérêt persiste depuis suffisamment longtemps pour que nous sachions tous que l'IA pour l'évaluation des embryons est là pour durer. Tous les laboratoires exploiteront tôt ou tard l'IA pour l'évaluation des embryons. Mais comment s'y retrouver dans la nouvelle technologie qui existe, et comment la comprendre ? Laissez-nous vous aider à le faire.

Mettons les choses dans des boîtes

Nous aimons tous mettre les choses dans des boîtes pour nous aider à comprendre le monde complexe dans lequel nous vivons. Faisons de même pour décomposer les algorithmes d'IA appliqués à l'évaluation des embryons, avec ces 5 catégories proposées :

1- Étiquettes objectives ou subjectives

Les algorithmes formés sur des des étiquettes subjectives suivent l'intelligence humaine. Ils ont été formés pour reproduire la manière dont les embryologistes évaluent les embryons aujourd'hui, et il leur a été demandé de se concentrer uniquement sur les critères jugés prédictifs de succès par les embryologistes. Par conséquent, s'ils permettent aux embryologistes de gagner du temps en automatisant leur méthode habituelle d'évaluation des embryons, ils ne peuvent pas aller au-delà des limites actuelles de l'embryologiste (par exemple, lorsque vous êtes confronté à des embryons de mauvaise qualité que vous jugez ne pas valoir la peine d'être transférés, alors que nous savons que certains d'entre eux peuvent mener à une grossesse).

Algorithmes formés sur des étiquettes objectives sont uniquement invités à se concentrer sur le résultat final objectif (par exemple, une grossesse clinique) et sont libres de se concentrer sur toute information qu'ils identifient comme étant prédictive de ce résultat. Ils ne sont pas biaisés et ne s'intéressent qu'à ce que les embryologistes ont jugé important. Ces algorithmes peuvent non seulement aider les embryologistes à gagner du temps en les aidant à prendre une décision plus rapidement, mais ils peuvent aussi - contrairement aux algorithmes formés sur des étiquettes subjectives - compléter les embryologistes et les aider dans des scénarios où ils ne disposent pas des biomarqueurs nécessaires pour prendre une décision (par exemple, lorsqu'ils sont confrontés à des embryons de qualité médiocre).

2- Algorithmes statiques ou cinétiques

Algorithmes statiques se concentrent sur une seule image de l'embryon, généralement acquise à la fin du développement embryonnaire, au jour 5, avec n'importe quel type de microscope.

Algorithmes cinétiques exploitent les riches informations cinétiques de l'ensemble du développement embryonnaire en s'entraînant sur une série d'images enregistrées par des systèmes time-lapse.

Aujourd'hui, il est largement admis qu'une seule image d'un embryon est loin d'être représentative de sa viabilité, ce qui confère un avantage évident aux algorithmes cinétiques.

3- Algorithmes visuels, tabulaires ou hybrides

Les algorithmes visuels ne sont entraînés qu'avec des images d'embryons.

Les algorithmes tabulaires prennent en compte n'importe quelle donnée catégorielle ou numérique, sans jamais avoir été exposés à une image d'embryon.

Les algorithmes hybrides sont formés à la fois avec des données visuelles et d'autres sources de données tabulaires afin de personnaliser les résultats et de maximiser la précision.

Si la morphocinétique est essentielle pour déterminer la viabilité d'un embryon, il est également admis que le contexte clinique peut avoir un impact considérable sur la qualité de l'embryon et la réceptivité de l'utérus. Toutes ces informations peuvent ne pas être reflétées ou saisies dans la morphocinétique de l'embryon, ce qui peut donc accroître la précision des prédictions.

Spoiler : c'est ici qu'ImVitro se distingue des autres produits existants.

4- Critères d'évaluation biologiques ou cliniques

Les algorithmes biologiques sont formés pour mesurer les chances qu'un événement biologique se produise, c'est-à-dire un résultat qui se produit en laboratoire : de la fécondation au clivage, en passant par la blastulation ou les résultats d'un PGT.

Les algorithmes cliniques vont au-delà de ce qui se passe en laboratoire et sont formés pour mesurer les chances qu'un événement clinique se produise après son transfert dans l'utérus (par exemple, implantation, grossesse, naissance).

Les paramètres biologiques sont généralement utilisés pour mesurer la qualité du travail embryologique effectué en laboratoire, après le prélèvement des ovocytes. En revanche, les paramètres cliniques dépendent également de la qualité du transfert d'embryons et de la réceptivité de l'utérus, et sont donc plus difficiles à prévoir si l'on ne tient compte que de la morphocinétique.

5- Prédiction contre reconnaissance

Tous les algorithmes mesurent la probabilité qu'un événement se produise.

Les algorithmes prédictifs mesurent les chances qu'un événement se produise dans le futur, c'est-à-dire qu'ils prédisent un point final qui n'est pas encore visible dans l'image.

D'autres algorithmes reconnaissent des informations déjà visibles dans l'image.

Les algorithmes prédictifs ont plus d'inertie dans leur validation clinique, car le résultat réel ne peut pas être vérifié immédiatement sur les images. Mais ils vous aident à vous sentir plus confiant quant aux résultats potentiels !

Diagramme montrant les méthodes d'IA existantes utilisées pour évaluer les embryons

Quelle est la boîte gagnante ?

La réponse est simple : il n'y a pas de gagnant. Il est utile de mettre les algorithmes dans des boîtes, mais on risque de passer à côté de subtilités et de changements, car la technologie évolue rapidement dans ce domaine.

L'algorithme de base d'EMBRYOLY, qui permet de prédire la grossesse clinique, se distingue aujourd'hui par le fait qu'il est formé sur.. :

un label objectif pour compléter le mode de pensée de l'embryologiste
les données cinétiques pour exploiter au mieux toutes les informations du développement embryonnaire.
des critères cliniques et prédictifs pour aider l'embryologiste à voir au-delà de ce qui se passe en laboratoire
des données hybrides pour personnaliser les prédictions et maximiser leur précision

Néanmoins, nous travaillons constamment à l'intégration des dernières avancées en matière d'apprentissage automatique afin de rester à la pointe de la technologie. Quoi qu'il en soit, puisqu'un seul algorithme ne peut répondre à toutes vos questions, nous avons développé une série d'algorithmes de ce type pour vous fournir de multiples points de données afin d'améliorer réellement votre prise de décision finale et d'ajouter de la transparence à nos recommandations.

Dernières réflexions

Je pense que la clé du succès à terme sera de continuer à mélanger l'intelligence humaine aux algorithmes existants, qui sont déjà aujourd'hui très humains : n'oubliez pas que, même si l'étiquette est objective, ce sont les yeux de l'embryologiste qui nous aident à préparer les données. Nous tenons encore très fort la main de nos algorithmes. Mais plus encore, c'est parce que L'IA ne devrait pas être là uniquement pour automatiser ce que les embryologistes seniors savent déjà faire, même si cela aide déjà énormément les juniors. L'IA devrait être là pour les aider également dans les situations où ils ne savent pas vers qui se tourner. Pensez à l'aide que les algorithmes peuvent vous apporter lorsque vous êtes confronté à des embryons de mauvaise qualité : avez-vous vraiment besoin qu'on vous répète qu'ils sont en fait sans espoir et qu'il faut les éliminer, alors que nous savons que certains d'entre eux peuvent mener à une grossesse ?

Ne vous contentez pas d'algorithmes d'IA qui ont été exclusivement formés de la même manière que vous : optez pour ceux qui peuvent vous compléter. Avec l'IA à vos côtés et avec vous au volant, la décision finale ne peut être que plus forte.

Références

Kragh & Karstoft, 2021 Journal of Assisted Reproduction and Genetics

Références du diagramme

Barnes et al, 2023 Lancet Digit Health

Berntsen, 2022 PLOS ONE

Chavez-Badiola, 2020 Reprod Biomed Online

Chen et al,. 2019 Fertilité et reproduction

Danardono et al, 2022 J Reprod Infertil.

Dirvanauskas 2019, Comput Methods Programs Biomed

Duval et al, 2023 Reproduction humaine

Fukunaga et al, 2020 Reproductive Medicine & Biology

Khosravi et al, 2019 NPJ Medicine