به گزارش پایگاه اطلاع رسانی بنیان، پیشرفت‌های جدید در حوزه هوش مصنوعی نشان می‌دهد که الگوریتم‌های یادگیری عمیق می‌توانند نقش مهمی در انتخاب بهترین جنین برای انتقال در روش‌های لقاح آزمایشگاهی ایفا کنند و شانس موفقیت بارداری را به شکل قابل توجهی افزایش دهند. این پژوهش به بررسی نقش هوش مصنوعی در تحلیل تصاویر جنین و پیش‌بینی احتمال لانه‌گزینی موفق در فرآیند IVF می‌پردازد. نتایج نشان می‌دهد که سیستم‌های مبتنی بر یادگیری عمیق قادرند با دقت بالا ویژگی‌های مورفولوژیک و دینامیک رشد جنین را ارزیابی کنند. این فناوری می‌تواند به عنوان یک ابزار کمکی برای جنین‌شناسان عمل کند و در نهایت به بهبود نرخ موفقیت درمان ناباروری کمک نماید.

ناباروری
ناباروری یکی از چالش‌های مهم پزشکی تولیدمثل در جهان امروز است و روش لقاح آزمایشگاهی یا IVF به عنوان یکی از اصلی‌ترین راهکارهای درمانی برای زوج‌های نابارور شناخته می‌شود. در این روش، انتخاب مناسب‌ترین جنین برای انتقال به رحم نقش بسیار مهمی در موفقیت بارداری دارد. با این حال، ارزیابی جنین‌ها به صورت سنتی تا حد زیادی وابسته به مشاهده انسانی و معیارهای ظاهری است که می‌تواند دارای خطا و محدودیت باشد. در سال‌های اخیر، پیشرفت‌های چشمگیر در حوزه هوش مصنوعی و یادگیری ماشین، امکان تحلیل دقیق‌تر داده‌های زیستی را فراهم کرده است. به ویژه در زمینه تصویربرداری جنین، الگوریتم‌های پیشرفته قادر شده‌اند الگوهایی را شناسایی کنند که برای چشم انسان قابل تشخیص نیست. همین موضوع زمینه‌ساز ورود هوش مصنوعی به فرآیند انتخاب جنین در IVF شده است.

تاریخچه
استفاده از فناوری در کمک به انتخاب جنین به چند دهه قبل بازمی‌گردد، زمانی که نخستین سیستم‌های تصویربرداری دیجیتال در آزمایشگاه‌های جنین‌شناسی مورد استفاده قرار گرفتند. در آن زمان، ارزیابی جنین‌ها عمدتاً بر اساس معیارهای ظاهری مانند تعداد سلول‌ها، میزان تکه‌تکه شدن و سرعت تقسیم انجام می‌شد. با ظهور سیستم‌های time-lapse imaging، امکان مشاهده پیوسته رشد جنین فراهم شد و داده‌های بیشتری برای تحلیل در دسترس قرار گرفت. این تحول باعث شد پژوهشگران به فکر استفاده از الگوریتم‌های محاسباتی برای تحلیل این داده‌ها بیفتند. در دهه ۲۰۱۰، نخستین مدل‌های یادگیری ماشین برای پیش‌بینی کیفیت جنین معرفی شدند، اما دقت آن‌ها محدود بود. در دهه ۲۰۲۰ و به ویژه تا سال ۲۰۲۶، با پیشرفت یادگیری عمیق و شبکه‌های عصبی پیچیده، سیستم‌های هوش مصنوعی توانستند به سطحی از دقت برسند که در برخی موارد با ارزیابی متخصصان انسانی رقابت کنند. مطالعه مورد بحث در این خبر یکی از جدیدترین نمونه‌های این روند پیشرفت است.

شیوه مطالعاتی

در این تحقیق، مجموعه‌ای گسترده از تصاویر time-lapse مربوط به رشد جنین‌های انسانی در شرایط IVF جمع‌آوری شد. این داده‌ها شامل مراحل مختلف تقسیم سلولی، تغییرات مورفولوژیک و الگوهای رشد در زمان‌های مختلف بودند. سپس یک مدل یادگیری عمیق مبتنی بر شبکه‌های عصبی کانولوشنی طراحی شد که قادر بود ویژگی‌های پیچیده بصری را از تصاویر استخراج کند. این مدل با استفاده از داده‌های برچسب‌گذاری شده آموزش داده شد، به گونه‌ای که جنین‌های منجر به بارداری موفق و ناموفق از یکدیگر تفکیک شده بودند. علاوه بر تصاویر، برخی داده‌های تکمیلی مانند سن مادر، کیفیت تخمک و شرایط آزمایشگاهی نیز به عنوان ورودی‌های کمکی در مدل استفاده شد. هدف این بود که یک سیستم چندبعدی برای پیش‌بینی موفقیت IVF ایجاد شود. مدل نهایی سپس بر روی مجموعه‌ای مستقل از داده‌ها آزمایش شد تا دقت آن در شرایط واقعی ارزیابی شود. همچنین عملکرد آن با ارزیابی متخصصان جنین‌شناسی مقایسه شد تا میزان کارایی سیستم مشخص گردد.

نتایج
نتایج نشان داد که مدل هوش مصنوعی توانست با دقت بالا جنین‌هایی را که احتمال لانه‌گزینی موفق دارند شناسایی کند. در بسیاری از موارد، پیش‌بینی‌های مدل با نتایج واقعی بارداری همخوانی قابل توجهی داشت. یکی از یافته‌های مهم این بود که الگوریتم قادر است الگوهای زمانی تقسیم سلولی را بهتر از معیارهای سنتی تحلیل کند. به عنوان مثال، زمان‌بندی دقیق تقسیم‌ها و تقارن سلولی از عوامل مهمی بودند که نقش کلیدی در پیش‌بینی موفقیت داشتند. همچنین مشخص شد که ترکیب داده‌های تصویری با اطلاعات بالینی باعث افزایش دقت پیش‌بینی می‌شود. این موضوع نشان می‌دهد که مدل‌های چندمنبعی عملکرد بهتری نسبت به تحلیل‌های تک‌بعدی دارند. در مقایسه با ارزیابی انسانی، سیستم هوش مصنوعی در برخی موارد حساسیت بیشتری نسبت به تغییرات ظریف رشد جنین نشان داد. با این حال، در برخی شرایط پیچیده هنوز نیاز به تأیید متخصص انسانی وجود دارد.

دستاورد
مهم‌ترین دستاورد این پژوهش، توسعه یک سیستم هوش مصنوعی قابل اعتماد برای کمک به انتخاب جنین در IVF است که می‌تواند به عنوان ابزار کمکی در کلینیک‌های ناباروری مورد استفاده قرار گیرد. این سیستم می‌تواند به کاهش تعداد چرخه‌های ناموفق IVF کمک کند و در نتیجه هزینه‌های درمانی و فشار روانی بیماران را کاهش دهد. همچنین امکان انتخاب دقیق‌تر جنین می‌تواند نرخ موفقیت بارداری را افزایش دهد. از منظر علمی، این پژوهش نشان می‌دهد که ترکیب داده‌های زیستی با الگوریتم‌های هوش مصنوعی می‌تواند درک جدیدی از فرآیندهای رشد اولیه جنین ایجاد کند. این موضوع می‌تواند به توسعه روش‌های درمانی جدید در آینده کمک کند.

گام بعدی مطالعه

در مراحل بعدی، هدف اصلی بهبود دقت مدل از طریق استفاده از داده‌های چندمرکزی و تنوع بیشتر جمعیت بیماران است. همچنین پژوهشگران قصد دارند از مدل‌های پیشرفته‌تر مانند شبکه‌های ترنسفورمر برای تحلیل بهتر توالی زمانی رشد جنین استفاده کنند. یکی دیگر از اهداف مهم، توسعه سیستم‌های توضیح‌پذیر هوش مصنوعی است تا پزشکان بتوانند دلیل تصمیم‌گیری مدل را بهتر درک کنند. این موضوع برای پذیرش بالینی فناوری بسیار حیاتی است. در آینده، ترکیب هوش مصنوعی با فناوری‌های جدید تصویربرداری و داده‌های ژنتیکی می‌تواند به ایجاد یک سیستم کاملاً دقیق برای انتخاب جنین منجر شود که نقش مهمی در درمان ناباروری ایفا خواهد کرد.

پایان مطالب/.