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

Nei laboratori silenziosi e a temperatura controllata dove la vita inizia fuori dal grembo materno, gli embriologi affrontano un compito di profonda delicatezza e di alta responsabilità. Devono osservare immagini microscopiche di embrioni umani precoci e decidere quali abbiano le migliori probabilità di crescere fino a diventare un bambino. Questa decisione si basa su un sistema chiamato classificazione del blastocisti, in cui gli esperti esaminano la forma e la struttura dell'embrione. Osservano tre elementi principali: quanto l'embrione si sia espanso, il gruppo di cellule che diventerà il bambino (la massa cellulare interna) e lo strato esterno di cellule che formerà la placenta (il trofoectoderma). Per decenni, questo è stato un impegno umano, che si è affidato agli occhi addestrati e all'esperienza dello scienziato che guarda attraverso il microscopio. Eppure, la visione umana è fallibile; due esperti potrebbero guardare la stessa immagine e vedere qualità leggermente diverse, portando a giudizi incoerenti. Con la crescita della domanda di trattamenti di fertilità, la necessità di un modo più obiettivo e costante per leggere queste piccole vite in via di sviluppo è diventata urgente.

Un nuovo studio di un team di ricercatori in Corea del Sud esplora se l'intelligenza artificiale possa offrire una lente più chiara e affidabile per questa valutazione critica. I ricercatori non hanno semplicemente chiesto a un computer di indovinare quale embrione avrebbe avuto successo. Invece, hanno costruito uno strumento digitale che agisce come un metro di precisione per l'anatomia dell'embrione. Utilizzando un modello di deep learning, il software ha prima identificato i confini specifici del guscio esterno dell'embrione, del gruppo cellulare interno e dello strato cellulare esterno. Da questi contorni digitali, il sistema ha estratto diciassette misurazioni diverse, come lo spessore del guscio, la rotondità del gruppo cellulare interno e il numero di cellule sul bordo. Il team ha poi testato se questi numeri netti potessero fare un lavoro migliore rispetto agli esperti umani in due cose: concordare su quale grado meritasse un embrione e prevedere se l'embrione avrebbe infine mostrato un battito cardiaco, un traguardo fondamentale noto come tono cardiaco fetale.

Lo studio ha analizzato oltre diecimila immagini di embrioni raccolte da sette diversi centri di fertilità. Quando i ricercatori hanno confrontato la classificazione del computer con il grado di consenso dato da un panel di embriologi umani, i risultati sono stati sorprendenti. Per la fase di sviluppo e la qualità della massa cellulare interna, il modello di intelligenza artificiale concordava con il consenso umano più spesso di quanto facesse un singolo embriologo umano. Mentre gli esperti umani mostravano un consenso sostanziale tra loro, il computer ha raggiunto un livello di accordo quasi perfetto. Ciò suggerisce che le misurazioni quantitative derivate dalle immagini catturino la realtà strutturale dell'embrione in modo più coerente rispetto all'interpretazione soggettiva di un singolo osservatore. Il computer non ha solo imitato l'opinione umana; ha fornito uno standard stabile e riproducibile che ha ridotto la variazione naturale tra i diversi medici.

Il risultato più significativo, tuttavia, riguardava la previsione del tono cardiaco fetale. I ricercatori hanno addestrato un modello di machine learning per utilizzare le diciassette misurazioni quantitative per prevedere se un embrione avrebbe sviluppato un battito cardiaco. Hanno poi confrontato questo modello di IA con un modello basato esclusivamente sui tradizionali gradi di consenso umano. Il modello di IA, utilizzando i numeri grezzi della forma dell'embrione, è stato significativamente migliore. Ha distinto correttamente tra gli embrioni che avrebbero sviluppato un battito cardiaco e quelli che non lo avrebbero fatto con maggiore accuratezza rispetto al solo sistema di classificazione umana. Per capire come ciò sia avvenuto, i ricercatori hanno scomposto il processo decisionale dell'IA in un semplice diagramma di flusso. Hanno scoperto che il numero di cellule sul bordo dell'embrione e lo spessore del suo guscio esterno erano gli indicatori più potenti. Ad esempio, gli embrioni con un conteggio specifico di cellule sul bordo e un guscio esterno molto sottile mostravano un tasso di sviluppo del battito cardiaco molto più alto rispetto ad altri.

Quando i ricercatori hanno osservato quanto bene i due sistemi separassero gli embrioni in gruppi di successo alto e basso, la differenza era evidente. I gradi di consenso umano potevano separare gli embrioni in gruppi con frequenze cardiache che variavano da circa il 16,7% al 36,2%. Al contrario, il modello quantitativo guidato dall'IA ha creato una separazione molto più ampia, con gruppi che variavano dall'11,8% al 46,8%. Questo intervallo più ampio significa che l'IA poteva identificare un sottoinsieme di embrioni che avevano una probabilità di successo significativamente maggiore di quanto il sistema umano potesse distinguere. Il computer non diceva solo "questo è buono" o "questo è cattivo"; forniva una scala di probabilità più fine, permettendo una visione più sfumata di quali embrioni avessero il potenziale più forte.

Lo studio ha anche confermato che i numeri utilizzati dal computer avevano senso biologico. Gli indicatori che contavano di più per l'IA, come lo spessità del guscio esterno e la compattezza della massa cellulare interna, si allineano con ciò che gli scienziati già sanno sullo sviluppo sano. Un guscio più sottile indica spesso che l'embrione è pronto per l'eclosione, e un gruppo interno compatto suggerisce un forte potenziale per formare un bambino. Il fatto che l'IA sia giunta alle stesse conclusioni attraverso la pura analisi dei dati, senza essere stata esplicitamente istruita sulle regole della biologia, aggiunge peso ai risultati. Suggerisce che queste caratteristiche misurabili sono effettivamente le firme fisiche di un embrione sano.

Nonostante questi risultati promettenti, i ricercatori sottolineano con cautela che questo non è un sostituto del giudizio umano, né una garanzia di una nascita viva. Lo studio si è concentrato sulla presenza di un battito cardiaco, che è un segno positivo ma non l'esito finale di una gravidanza. Il modello di IA non ha tenuto conto di altri fattori cruciali come l'età della madre o le condizioni dell'utero. Inoltre, lo studio è stato condotto utilizzando dati provenienti da un unico paese e i risultati potrebbero dover essere testati in altre popolazioni. I ricercatori hanno anche ammesso che il computer era leggermente meno consistente degli umani nel classificare lo strato esterno di cellule, probabilmente perché un'unica immagine piatta non può mostrare la piena forma tridimensionale di quello strato.

Ciò che questo lavoro dimostra è che l'intelligenza artificiale può servire come un potente, obiettivo partner nel laboratorio. Trasformando l'arte visiva della classificazione dell'embrione in un insieme di misurazioni precise e riproducibili, la tecnologia offre un modo per ridurre l'incoerenza umana e scoprire schemi sottili che potrebbero altrimenti sfuggire. Lo studio suggerisce che combinare la profonda esperienza degli embriologi con le intuizioni rigorose e basate sui dati dell'IA potrebbe portare a decisioni migliori nel trattamento della fertilità. È un passo verso un futuro in cui la selezione di un embrione sia guidata non solo da ciò che un occhio vede, ma da ciò che i dati rivelano sulla piccola vita in via di sviluppo al suo interno.