Modelo de aprendizaje automático preciso para la detección de la etapa morfokinética del embrión humano

Área de la Ciencia:

• Biología de la reproducción
• Inteligencia artificial en la medicina
• Embriología

Sus antecedentes:

• El seguimiento preciso del desarrollo del embrión humano antes de la implantación es crucial para evaluar la viabilidad y el potencial de implantación.
• Las herramientas existentes para el análisis de embriones carecen de precisión y accesibilidad, lo que requiere soluciones mejoradas.

Objetivo del estudio:

• Desarrollar un modelo de aprendizaje automático de alta precisión para predecir 17 etapas morfokinéticas distintas del desarrollo humano preimplantado.
• Proporcionar una herramienta robusta y automatizada para que los investigadores y los médicos estandaricen el análisis de embriones y reduzcan la subjetividad entre clínicas.

Principales métodos:

• Se desarrolló un modelo de visión por computadora utilizando un gran conjunto de datos de 273,438 imágenes etiquetadas como Embryoscope.
• Se entrenaron y evaluaron dos arquitecturas de aprendizaje profundo, EfficientNet-V2-Large con y sin entrada de tiempo de fertilización.
• Se implementó un nuevo algoritmo de postprocesamiento para refinar las predicciones y determinar los tiempos exactos de transición de la etapa morfokinética.

Principales resultados:

• El modelo logró una puntuación general de prueba F1 de 0,881 y una precisión del 87% en 17 etapas morfokinéticas en un conjunto de datos independiente.
• El modelo propuesto demostró una mejora de precisión del 17% con respecto a los modelos de última generación existentes en el mismo conjunto de datos.

Conclusiones:

• El modelo desarrollado detecta con precisión las etapas morfokinéticas del embrión humano a partir de imágenes estáticas.
• El modelo identifica con precisión el momento de los cambios de etapa dentro de los videos de lapso de tiempo, ofreciendo un avance significativo en la evaluación del embrión.