wooden-01
wooden-02
διαβάστε το άρθρο

Τεχνητή νοημοσύνη στο εργαστήριο εξωσωματικής

Από την γέννηση του πρώτου παιδιού με εξωσωματική γονιμοποίηση στην Αγγλία το 1978 έχουν γίνει τεράστια άλματα στο πεδίο της αναπαραγωγικής ενδοκρινολογίας και υπογονιμότητας. Εντούτοις, παρά τις πολλές προσπάθειες να δημιουργηθούν προγνωστικά μοντέλα επιτυχίας ενός κύκλου εξωσωματικής, είναι ακόμα δύσκολο να προσδιοριστεί με ακρίβεια η έκβαση ενός τέτοιου κύκλου. Αρχικά τα προγνωστικά μοντέλα βασίζονταν σε γνωστά στατιστικά μοντέλα. Πιο πρόσφατα, με την εισαγωγή της τεχνολογίας των επωαστών timelapse και του προεμφυτευτικού γενετικού ελέγχου υπήρχε μία ελπίδα ότι θα μπορούσαν αντικειμενικά να προσφέρουν την δυνατότητα επιλογής των καλύτερων εμβρύων για εμβρυομεταφορά αυξάνοντας τα ποσοστά εμφύτευσης. Προς το παρόν, ωστόσο, δεν υπάρχουν επαρκή δεδομένα που να υποστηρίζουν την συστηματική χρήση αυτών των τεχνικών με μοναδικό σκοπό να βελτιώσουμε το ποσοστό γέννησης ζώντου νεογνού μετά από εμβρυομεταφορά.

Το κενό αυτό φαίνεται να έχει έρθει να καλύψει η τεχνητή νοημοσύνη (artificial intelligence), η οποία είναι ένας συναρπαστικός τομέας της τεχνολογίας που υπόσχεται να αλλάξει τον κόσμο. Η τεχνητή νοημοσύνη ανήκε για δεκαετίες αποκλειστικά στην σφαίρα της επιστημονικής φαντασίας. Πλέον όμως υπάρχουν παντού γύρω μας συστήματα τεχνητής νοημοσύνης για συγκεκριμένες χρήσεις και ενδεχομένως να μην απέχουμε πολύ από ένα τέτοιο σύστημα που θα σκέφτεται όπως ο άνθρωπος. Η μηχανική μάθηση (machine learning) ωθεί αυτή την εξέλιξη στην τεχνητή νοημοσύνη. Η μηχανική μάθηση είναι ένα παρακλάδι της τεχνητής νοημοσύνης που βασίζεται στην ιδέα ότι οι υπολογιστές/ μηχανές μπορούν να μαθαίνουν από τα δεδομένα που συλλέγουν με σκοπό να αναγνωρίζουν μοτίβα και να παίρνουν δικές τους αποφάσεις, με ελάχιστη ή και μηδενική ανθρώπινη παρέμβαση. Στην ουσία οι μηχανικοί αλγόριθμοι “εκπαιδεύονται” μέσω καταστάσεων και παραδειγμάτων, όπου μαθαίνουν και αναλύουν δεδομένα με σκοπό να κάνουν προβλέψεις. Η μηχανική μάθηση επιτρέπει στους αλγόριθμους να βελτιώνουν την απόδοσή τους με την πάροδο του χρόνου, ενώ με την συσσώρευση δειγμάτων, ο αλγόριθμος γίνεται πιο αποδοτικός. Οι αλγόριθμοι συνεπώς είναι τόσο καλοί όσο τα δεδομένα στα οποία εκπαιδεύονται και υπάρχει πάντα η πιθανότητα παρερμηνείας των δεδομένων. Απαιτείται λοιπόν προσεκτική αξιολόγηση και επικύρωση των αλγορίθμων τεχνητής νοημοσύνης για να διασφαλιστεί η αξιοπιστία και ακρίβειά τους.

Η μηχανική μάθηση έχει χρησιμοποιηθεί την τελευταία δεκαετία προκειμένου να βοηθήσει στην ιατρική απεικόνιση με εφαρμογή σε διάφορα πεδία. Η τεχνολογία αυτή έχει βρει εφαρμογή και στο εργαστήριο εξωσωματικής με σκοπό να βελτιώσει την επιλογή ενός μόνο εμβρύου το οποίο φέρει το καλύτερο δυναμικό για εμφύτευση προκειμένου να επιτύχουμε τον απόλυτο στόχο στη θεραπεία υπογονιμότητας: την γέννηση ενός υγιούς παιδιού. Η δυναμική που έχει η τεχνητή νοημοσύνη έχει βρει εφαρμογή σχεδόν σε κάθε στάδιο της θεραπείας υπογονιμότητας.

Πιο συγκεκριμένα, για την επιλογή υγιών γαμετών προς γονιμοποίηση, στο εργαστήριο χρησιμοποιούνται τόσο επεμβατικές όσο και μη επεμβατικές μέθοδοι. Η γονιμοποίηση, η ανάπτυξη του εμβρύου, η εμφύτευση και η κλινική εγκυμοσύνη εξαρτώνται από την ύπαρξη υψηλής ποιότητας ώριμων και γενετικά φυσιολογικών γαμετών (σπερματοζωαρίων και ωαρίων). Η τεχνητή νοημοσύνη μπορεί να βοηθήσει τον εμβρυολόγο με την αυτοματοποιημένη ανίχνευση των καλύτερων σπερματοζωαρίων. Επίσης, η συγκεκριμένη εφαρμογή θα μπορούσε να χρησιμοποιηθεί για να αξιολογηθεί η δυναμική των ωαρίων που συλλέγονται κατά την ωοληψία. Συνεπώς, αυτόματα μειώνεται ο αριθμός των εμβρύων που δημιουργούνται και συνεπώς καταστρέφονται (ιδιαίτερα σε περιπτώσεις όπου δεν είναι επιθυμητή η δημιουργία υπεράριθμων εμβρύων), καθώς και εμβρύων που πρόκειται να υποβληθούν σε βιοψία τροφοεκτοδέρματος, και θα μπορούσε να είναι δείκτης της επιτυχίας ενός κύκλου από την στιγμή της ωοληψίας. Θα ήταν επίσης ιδιαίτερα χρήσιμο εργαλείο σε γυναίκες οι οποίες καταφεύγουν σε κρυοσυντήρηση ωαρίων αλλά και σε κύκλους που αφορούν ωάρια από δότριες και την πρόβλεψη για γονιμοποίηση και την μετέπειτα εξέλιξη τους σε έμβρυα. Υπάρχει επίσης εφαρμογή τεχνητής νοημοσύνης που μπορεί να εντοπίσει το πρώτο πολικό σωμάτιο στα ωάρια και έτσι το μοντέλο μπορεί να διακρίνει μεταξύ ώριμων και ανώριμων ωαρίων με εξαιρετικά μεγάλη ακρίβεια, όπως σχεδόν ένας εμβρυολόγος.

Μία άλλη εφαρμογή που έχει είναι να διακρίνει μεταξύ φυσιολογικά γονιμοποιημένων και μη φυσιολογικά γονιμοποιημένων ωαρίων. Επιπλέον μπορεί να αξιολογήσει τα μορφολογικά χαρακτηριστικά των προπυρήνων, κάτι που χειρωνακτικά απαιτεί πολύ χρόνο να γίνει από τον εμβρυολόγο και γενικά δεν χρησιμοποιείται ευρέως στα εργαστήρια ως εργαλείο πρόβλεψης της δυναμικής των εμβρύων. Χρησιμοποιώντας σύστημα τεχνητής νοημοσύνης, η αξιολόγηση των εμβρύων 2ης και 3ης μέρας γίνεται επίσης πιο αντικειμενικά  και μπορεί να προβλεφθεί με μεγαλύτερη ακρίβεια ποια έμβρυα θα δημιουργήσουν βλαστοκύστη. Έχει μάλιστα αναπτυχθεί ένα σύστημα τεχνητής νοημοσύνης με βάση τους δείκτες απόδοσης του εργαστηρίου, το οποίο μπορεί να εντοπίσει μεταβολές στο περιβάλλον καλλιέργειας των εμβρύων οι οποίες μπορούν να επηρεάσουν τα αποτελέσματα εγκυμοσύνης. Επιπρόσθετα, έχουν αναπτυχθεί μοντέλα τεχνητής νοημοσύνης για να ανιχνεύουν έμβρυα τα οποία είναι ανευπλοειδικά χωρίς να γίνει επεμβατική βιοψία εμβρύου. Ακόμη, έχει αναπτυχθεί αλγόριθμος που μπορεί να υποδείξει το σημείο στο οποίο θα γίνει υποβοηθούμενη εκκόλαψη με την χρήση laser με ασφάλεια. Εφαρμογή έχει βρει και στην διαδικασία ταυτοποίησης γενετικού υλικού βασισμένο σε μοναδικά μορφολογικά χαρακτηριστικά που είναι συγκεκριμένα σε κάθε μεμονωμένο έμβρυο την 3η μέρα ανάπτυξής τους.

Όταν το έμβρυο φτάσει σε στάδιο βλαστοκύστης θα πρέπει να αξιολογηθεί από τον εμβρυολόγο. Ποια όμως είναι η κατάλληλη χρονική στιγμή για να γίνει αυτό; Όταν η βλαστοκύστη εκδηλώσει την ¨καλύτερη¨ εμφάνιση ή σε μια δεδομένη χρονική στιγμή; Η τεχνητή νοημοσύνη δεν μας έχει δώσει ακόμα την απάντηση σε αυτό το ερώτημα, ενώ εφαρμογές τεχνητής νοημοσύνης χρησιμοποιούν και τις δύο προσεγγίσεις. Επίσης ας μην ξεχνάμε ότι η αξιολόγηση των βλαστοκύστεων είναι στην ουσία υποκειμενική, και μόνο το μέγεθος της βλαστοκύστης μπορεί να αξιολογηθεί με μεγάλη ακρίβεια από αλγόριθμο τεχνητής νοημοσύνης (π.χ. με την χρήση εργαλείων μέτρησης και όγκου). Η τεχνητή νοημοσύνη έχει επίσης την δυναμική να συνδυάζει διαφορετικά είδη δεδομένων, όπως την πρωτεομική με την μορφολογία των βλαστοκύστεων.

Η τεχνητή νοημοσύνη μόλις τώρα ξεκινά να ασκεί την επίδρασή της στον τομέα της αναπαραγωγικής ιατρικής. Σε παγκόσμιο επίπεδο πραγματοποιούνται πάνω από 2 εκατομμύρια κύκλοι εξωσωματικής τον χρόνο – θεωρητικά αν μπορούσαν να συλλεχθούν όλα αυτά τα δεδομένα σε βάθος χρόνου θα μπορούσε να αναπτυχθούν συστήματα τεχνητής νοημοσύνης που να είναι ευρέως εφαρμόσιμα σε διάφορες κλινικές στον κόσμο ανεξάρτητα από διαφορές σε πρωτόκολλα και πληθυσμό. Υπάρχουν ωστόσο εμπόδια που ενδέχεται να αναχαιτίσουν αυτή την συλλογή δεδομένων όπως είναι η προστασία των προσωπικών δεδομένων των ασθενών, οι παραλλαγές που υπάρχουν μεταξύ των διαφόρων ηλεκτρονικών συστημάτων καταγραφής των περιστατικών, όροι εχεμύθειας κτλ. Τα συστήματα τεχνητής νοημοσύνης που έχουν αναπτυχθεί μέχρι στιγμής στο πεδίο της αναπαραγωγικής ιατρικής έχουν επικεντρωθεί κυρίως στην χρήση της απεικόνισης του εμβρύου. Ωστόσο, η τεχνητή νοημοσύνη έχει την δυναμική να βοηθήσει στο μέλλον και σε άλλα πεδία, όπως είναι η δεκτικότητα του ενδομητρίου, η λειτουργία της μήτρας, η επίδραση διαφόρων παθήσεων στην γονιμότητα (όπως είναι η ενδομητρίωση), στις επαναλαμβανόμενες αποτυχημένες προσπάθειες εμφύτευσης του εμβρύου και στις καθ’ έξιν αποβολές, ακόμα μπορεί να είναι εφικτή και η τροποποίηση γονιδίων μέσω αλγορίθμων τεχνητής νοημοσύνης. Όλες αυτές και άλλες ακόμη δυνητικές εφαρμογές της τεχνητής νοημοσύνης θα πρέπει να χρησιμοποιούνται με διαφάνεια, δεοντολογία και υπευθυνότητα.

Η τεχνητή νοημοσύνη είναι ένα ελπιδοφόρο εργαλείο που μπορεί να επιλύσει διάφορες προκλήσεις που συναντάμε στο πεδίο της αναπαραγωγικής ιατρικής. Προς το παρόν ωστόσο, δεν έχει ακόμα εδραιώσει τον ρόλο της στο πεδίο αυτό και είναι σημαντικό να θυμόμαστε ότι η χρήση της στο να βελτιώνει τα αποτελέσματα των προσπαθειών εξωσωματικής δεν έχει αποδειχθεί ακόμα στην βιβλιογραφία. Επίσης, η συγκεκριμένη τεχνολογία έχει υψηλό κόστος εφαρμογής και η ανάπτυξη και εφαρμογή των αλγορίθμων απαιτεί σημαντικούς πόρους και τεχνογνωσία, τα οποία μπορεί να μην είναι διαθέσιμα σε όλες τις μονάδες υποβοηθούμενης αναπαραγωγής. Επιπλέον όπου εφαρμοστεί η συγκεκριμένη τεχνολογία κρίνεται επιτακτική η ανάγκη για ρύθμιση και εποπτεία της ώστε να αντιμετωπιστούν πιθανόν ηθικές ανησυχίες.

*Χαρίκλεια Παπανίκου, Senior κλινική εμβρυολόγος και υπεύθυνη του εργαστηρίου Fertilia