Video Experimental Relacionado
Updated: Sep 9, 2025
Author Spotlight: Advancing Therapeutic Strategies for Improving Pregnancy Rates by Analyzing Embryo-Endometrium Interactions
Published on: June 21, 2024
Estabilidad y fiabilidad de los modelos de inteligencia artificial en la selección de embriones para la fertilización
Prudhvi Thirumalaraju1, Manoj Kumar Kanakasabapathy1, Hemanth Kandula1
1Division of Engineering in Medicine, Department of Medicine, Brigham and Women's Hospital, Harvard Medical School, Boston, MA, USA.
Los modelos de IA para la selección de embriones de fertilización in vitro (FIV) muestran una baja estabilidad y consistencia, lo que lleva a altas tasas de error. Estos hallazgos cuestionan la fiabilidad clínica de los enfoques actuales de IA para la clasificación de embriones.
Área de la Ciencia:
- La inteligencia artificial en la medicina de la reproducción
- Embriología y tecnologías de reproducción asistida
- Aprendizaje automático para el diagnóstico médico
Sus antecedentes:
- Las tecnologías de reproducción asistida (TAR) se basan en una selección precisa de embriones para obtener resultados exitosos de fertilización in vitro (FIV).
- La Inteligencia Artificial (IA) ofrece potencial para la evaluación objetiva de los embriones, pero su fiabilidad requiere una evaluación rigurosa.
- Los modelos de aprendizaje de instancia única (SIL) predicen los resultados del nacimiento vivo a partir de la morfología del embrión, pero su estabilidad no está bien establecida.
Objetivo del estudio:
- Evaluar la estabilidad y fiabilidad de los modelos de IA utilizados para la selección de embriones y el orden de clasificación en la FIV.
- Evaluar la coherencia y las tasas de error de la evaluación de embriones impulsada por la IA en diferentes conjuntos de datos.
- Investigar las discrepancias de interpretabilidad y toma de decisiones entre los modelos de IA replicados.
Principales métodos:
- Un estudio basado en el laboratorio utilizando cincuenta redes neuronales convolucionales replicadas (CNN) entrenadas en dos conjuntos de datos de FIV independientes (MGH y Cornell).
- Evaluación del rendimiento del modelo a través de la consistencia del orden de clasificación del embrión (W de Kendall), las tasas de error crítico y la variabilidad entre modelos.
- Análisis de interpretabilidad utilizando el mapeo de activación de clases ponderado por gradiente (GradCAM) y la incorporación de vecinos estocásticos distribuidos por t (t-SNE) para explorar la toma de decisiones del modelo.
Principales resultados:
- Los modelos de IA exhibieron una baja consistencia de ordenamiento del rango del embrión (Kendall's W ≈0.35) y altas tasas de error crítico (≈15%).
- Se observó una variabilidad significativa entre modelos, con una mayor inestabilidad cuando los modelos se probaron en conjuntos de datos externos (delta de varianza de error: 46, 07%2).
- Los análisis de interpretabilidad revelaron estrategias de toma de decisiones divergentes entre los modelos replicados, a pesar de los protocolos de formación idénticos.
Conclusiones:
- Los modelos de IA de aprendizaje de instancia única (SIL) para la selección de embriones de FIV demuestran una inestabilidad e inconsistencia sustanciales, lo que afecta a la fiabilidad clínica.
- La alta variabilidad entre modelos y las tasas de error crítico plantean preocupaciones con respecto al despliegue en el mundo real de los modelos actuales de IA para la selección de embriones.
- El estudio subraya la necesidad de marcos de IA más estables y métricas de evaluación sólidas diseñadas específicamente para las demandas clínicas de la FIV.
