Artificial intelligence-derived quantitative blastocyst morphology for objective embryo assessment and fetal heart tone stratification

En los tranquilos laboratorios con clima controlado donde la vida comienza fuera del útero, los embriólogos se enfrentan a una tarea de profunda delicadeza y altas apuestas. Deben observar imágenes microscópicas de embriones humanos tempranos y decidir cuáles tienen las mejores posibilidades de convertirse en un bebé. Esta decisión se basa en un sistema llamado gradación de blastocistos, donde los expertos examinan la forma y la estructura del embrión. Observan tres cosas principales: cuánto se ha expandido el embrión, el cúmulo de células que se convertirá en el bebé (la masa celular interna) y la capa externa de células que formará la placenta (el trofoectodermo). Durante décadas, esto ha sido un esfuerzo humano, que depende de los ojos entrenados y la experiencia del científico que mira a través del microscopio. Sin embargo, la visión humana es falible; dos expertos podrían mirar la misma imagen y ver cualidades ligeramente diferentes, lo que conduce a juicios inconsistentes. A medida que crece la demanda de tratamientos de fertilidad, la necesidad de una forma más objetiva y consistente de leer estas diminutas vidas en desarrollo se ha vuelto urgente.

Un nuevo estudio de un equipo de investigadores en Corea del Sur explora si la inteligencia artificial puede ofrecer una lente más clara y confiable para esta evaluación crítica. Los investigadores no simplemente le pidieron a una computadora que adivinara qué embrión tendría éxito. En su lugar, construyeron una herramienta digital que actúa como una cinta métrica precisa para la anatomía del embrión. Utilizando un modelo de aprendizaje profundo, el software primero identificó los límites específicos de la cáscara exterior del embrión, el cúmulo de células interno y la capa de células externa. A partir de estos contornos digitales, el sistema extrajo diecisiete mediciones diferentes, tales como el grosor de la cáscara, la redondez del cúmulo de células internas y el número de células en el borde. El equipo probó entonces si estos números duros podían hacer un mejor trabajo que los expertos humanos en dos cosas: acordar qué grado merece un embrión y predecir si el embrión mostraría eventualmente un latido del corazón, un hito clave conocido como tono cardíaco fetal.

El estudio analizó más de diez mil imágenes de embriones recolectadas de siete centros de fertilidad diferentes. Cuando los investigadores compararon la gradación de la computadora con la gradación de consenso dada por un panel de embriólogos humanos, los resultados fueron sorprendentes. Para la etapa de desarrollo y la calidad del cúmulo de células internas, el modelo de inteligencia artificial estuvo de acuerdo con el consenso humano con más frecuencia de lo que cualquier embriólogo humano individual lo hizo. Mientras que los expertos humanos mostraron un acuerdo sustancial entre sí, la computadora logró un nivel de acuerdo casi perfecto. Esto sugiere que las mediciones cuantitativas derivadas de las imágenes capturan la realidad estructural del embriano de manera más consistente que la interpretación subjetiva de un observador único. La computadora no solo imitó la opinión humana; proporcionó un estándar estable y reproducible que redujo la variación natural entre diferentes doctores.

El hallazgo más significativo, sin embargo, concernía a la predicción del tono cardíaco fetal. Los investigadores entrenaron un modelo de aprendizaje automático para usar las diecisiete mediciones cuantitativas para predecir si un embrión desarrollaría un latido. Luego compararon este modelo de IA contra un modelo basado únicamente en las gradaciones tradicionales del consenso humano. El modelo de IA, utilizando los números brutos de la forma del embrión, funcionó significativamente mejor. Distinguió correctamente entre los embriones que desarrollarían un latido y los que no, con mayor precisión que el sistema de gradación humana por sí solo. Para entender cómo funcionaba esto, los investigadores desglosaron el proceso de toma de decisiones de la IA en un simple diagrama de flujo. Descubrieron que el número de células en el borde del embrión y el grosor de su cáscara exterior eran los indicadores más poderosos. Por ejemplo, los embriones con un recuento específico de células en el borde y una cáscara exterior muy delgada mostraron una tasa mucho mayor de desarrollo de un latido en comparación con otros.

Cuando los investigadores observaron qué tan bien los dos sistemas separaban los embriones en grupos de alto y bajo éxito, la diferencia fue clara. Las gradaciones de consenso humano podían separar los embriones en grupos con frecuencias cardíacas que variaban desde aproximadamente el 16.7% hasta el 36.2%. En contraste, el modelo cuantitativo impulsado por la IA creó una separación mucho más amplia, con grupos que variaban del 11.8% al 46.8%. Este rango más amplio significa que la IA podía identificar un subconjunto de embriones que tenían significativamente más probabilidades de tener éxito de lo que el sistema humano podía distinguir. La computadora no solo decía "esto es bueno" o "esto es malo"; proporcionaba una escala de probabilidad más fina, permitiendo una visión más matizada de cuáles embriones tenían el potencial más fuerte.

El estudio también confirmó que los números que la computadora utilizó tenían sentido biológico. Los indicadores que más importaban a la IA, como el grosor de la cáscara exterior y la compacidad del cúmulo de células internas, se alinean con lo que los científicos ya saben sobre el desarrollo saludable. Una cáscara más delgada a menudo indica que el embrión está listo para eclosionar, y un cúmulo interno compacto sugiere un fuerte potencial para formar un bebé. El hecho de que la IA llegara a estas mismas conclusiones mediante el análisis de datos puros, sin haber sido informada explícitamente de las reglas de la biología, añade peso a los hallazgos. Sugiere que estas características medibles son, de hecho, las firmas físicas de un embrión saludable.

A pesar de estos resultados prometedores, los investigadores advierten cuidadosamente que esto no es un reemplazo para el juicio humano, ni es una garantía de un nacimiento vivo. El estudio se centró en la presencia de un latido cardíaco, que es una señal positiva pero no es el resultado final de un embarazo. El modelo de IA no tuvo en cuenta otros factores cruciales como la edad de la madre o la condición del útero. Además, el estudio se realizó utilizando datos de un solo país, y los resultados deben ser probados en otras poblaciones. Los investigadores también reconocieron que la computadora fue ligeramente menos consistente que los humanos al graduar la capa externa de células, probablemente debido a que una sola imagen plana no puede mostrar la forma tridimensional completa de esa capa.

Lo que este trabajo demuestra es que la inteligencia artificial puede servir como un socio objetivo y poderoso en el laboratorio. Al convertir el arte visual de la gradación de embriones en un conjunto de mediciones precisas y reproducibles, la tecnología ofrece una forma de reducir la inconsistencia humana y descubrir patrones sutiles que de otro modo podrían pasarse por alto. El estudio sugiere que combinar la profunda experiencia de los embriólogos con los conocimientos rigurosos y basados en datos de la IA podría conducir a mejores decisiones en el tratamiento de la fertilidad. Es un paso hacia un futuro donde la selección de un embrión sea guiada no solo por lo que un ojo ve, sino por lo que los datos revelan sobre la diminuta vida en desarrollo.