Wissensbasierte räumlich-zeitliche Analyse zur Identifizierung euploider Embryonen bei Paaren mit Chromosomenumlagerungen
Die assistierte Reproduktionstechnologie (ART) hat in den letzten vier Jahrzehnten erhebliche Fortschritte gemacht, wobei die klinische Schwangerschaftsrate bei In-vitro-Fertilisation (IVF) und Embryotransfer (ET) von 20 % auf 40 % gestiegen ist. Trotz dieser Verbesserungen weisen traditionelle Embryonenauswahlmethoden, basierend auf der Bewertung von Tag-3-Embryonen (D3) und dem Gardner-Blastozysten-Klassifizierungssystem, Limitationen auf. Künstliche Intelligenz (KI) wird zunehmend eingesetzt, um Embryonen mit hohem Entwicklungspotential zu identifizieren oder den Ploidiestatus von Blastozysten vorherzusagen. Die meisten Studien konzentrierten sich jedoch auf junge Frauen oder Paare ohne Chromosomenanomalien, wodurch die Anwendbarkeit von KI-Modellen für Populationen mit Chromosomenumlagerungen unklar bleibt.
Das primäre Ziel der assistierten Reproduktion ist die Übertragung einer euploiden Blastozyste, um die Geburt eines gesunden Neugeborenen zu ermöglichen. Bisherige Algorithmen zur Ploidiebewertung stützen sich auf Daten von Paaren mit normalen Chromosomen, die eine Präimplantationsdiagnostik für Aneuploidien (PGT-A) durchlaufen. Die Effizienz von KI-Modellen bei der Euploidiebewertung von Blastozysten bei Chromosomenumlagerungen ist jedoch unerforscht.
Diese Studie zielte darauf ab, ein Deep-Learning-System zur Vorhersage des Euploidiestatus von Embryonen unter Verwendung von Zeitraffervideos und klinischen Prädiktoren zu entwickeln. Von Februar 2020 bis Mai 2021 wurden Roh-Zeitraffervideos (mehrere Fokusebenen), klinische Paardaten und Ergebnisse der umfassenden Chromosomenanalyse (CCS) von Blastozysten mit PGT-Behandlung gesammelt. Zunächst wurde das „Attentive Multi-Focus Selection Network“ (AMSNet) entwickelt, um Zeitraffervideos in Echtzeit zu analysieren und die Blastozystenbildung vorherzusagen. Darauf aufbauend integrierte das „Attentive Multi-Focus Video and Clinical Information Fusion Network“ (AMCFNet) klinische Variablen zur Euploidiebewertung, insbesondere bei Eltern mit Chromosomenumlagerungen.
Insgesamt 4112 Embryonen mit vollständigen Zeitraffervideos wurden für die Blastozystenbildungsvorhersage herangezogen, während 1422 Blastozysten mit PGT-A (n = 589) oder PGT für Chromosomenstrukturumlagerungen (PGT-SR, n = 833) für die Euploidiebewertung analysiert wurden. AMSNet erreichte mit sieben Fokusebenen eine Echtzeitgenauigkeit von >70 % am Tag 2 und 80 % bis Tag 4 der Embryokultur. Durch Kombination mit vier klinischen Merkmalen stieg die AUC von AMCFNet auf 0,729 bei Blastozysten aus Paaren mit Chromosomenumlagerungen.
Die Studie erfolgte am Reproduktionszentrum des Ersten Affilierten Krankenhauses der Sun Yat-Sen Universität. Eizellgewinnung und Intrazytoplasmatische Spermieninjektion (ICSI) wurden nach standardisierten Protokollen durchgeführt. Zygoten mit zwei Pronuclei (2PN) wurden in Zeitrafferkultursystemen bei sieben Fokusebenen alle 10–15 Minuten bis zur Blastozystenbildung dokumentiert. Die Chromosomenanalyse erfolgte via SNP-Microarray und Next-Generation Sequencing (NGS).
AMSNet basiert auf ResNet-50, ergänzt durch einen Multi-Focal-Feature-Selection(MFS)-Modul (Aufmerksamkeitsmechanismus) und ein Temporal-Shift-Modul (TSM) zur zeitlichen Merkmalserkennung. AMCFNet fusionierte klinische Daten (Alter, Spermienparameter, Chromosomenstatus) mit embryonalen Entwicklungsmerkmalen unter Verwendung des MUTAN-Moduls (Multimodale Tucker-Fusion).
Die Modelle wurden mittels PyTorch implementiert und mit SGD-Optimierer trainiert. AMSNet erreichte AUC-Werte von 0,764 (Tag 2), 0,809 (Tag 3) und 0,881 (Tag 4) für die Blastozystenbildungsvorhersage. Für die Euploidieidentifizierung erzielte AMSNet mit drei Fokusebenen eine AUC von 0,658. Durch klinische Merkmale stieg die AUC von AMCFNet auf 0,778 (sieben Fokusebenen). Bei Chromosomenumlagerungen lag die AUC bei 0,729.
Die Ergebnisse zeigen, dass die Integration von Zeitraffermikroskopie und klinischen Daten in Deep-Learning-Modelle eine präzise Vorhersage von Blastozystenbildung und Euploidie ermöglicht, insbesondere bei Hochrisikopopulationen. Dieses System könnte die Embryonenauswahl optimieren und die Erfolgsraten der ART verbessern.
doi.org/10.1097/CM9.0000000000002803