Інтеграція штучного інтелекту в допоміжні репродуктивні технології: комплексний огляд

Штучний інтелект (ШІ) революціонізує допоміжні репродуктивні технології (ДРТ), пропонуючи нові можливості для оптимізації протоколів стимуляції, відбору гамет та ембріонів, а також для прогнозування результатів лікування. Згорткові нейронні мережі (convolutional neural network, CNN) демонструють особливу перспективність в аналізі зображень для репродуктивної медицини. ШІ забезпечує персоналізовані плани лікування та підвищує діагностичну точність, а також покращує комунікацію між пацієнтами та медичними командами через адаптивні програми здоров’я в реальному часі.

Проте існують значні виклики: потреба у великих наборах даних для навчання, проблеми з упередженістю алгоритмів, етичні питання конфіденційності та автономії пацієнтів. Відсутність спеціального законодавства для регулювання функціонування ШІ в охороні здоров’я вказує на необхідність прозорості та неупередженості у впровадженні цих технологій. Світові регулятори працюють над балансуванням інновацій із безпекою пацієнтів, розробляючи нові стандарти для ШІ як медичного пристрою.

Ключові слова: штучний інтелект, машинне навчання, згорткові нейронні мережі, репродуктивна медицина, допоміжні репродуктивні технології, безпліддя, екстракорпоральне запліднення, відбір ембріонів, пацієнт-орієнтована допомога.

Ш тучний інтелект – це технічна та науко­ва сфера, присвячена розробці систем, які генерують виходи, такі як контент, прогнози, рекомендації або рішення для заданого набору людських цілей [1]. Він працює через нейронні мережі, які сформовані із взаємопов’язаних вузлових точок, що можуть передавати інформацію. Це робить їх здатними до навчання, міркування, обробки даних і мови, вирішення проблем та сприйняття. Машинне навчання та глибоке навчання є концепціями в межах ШІ, які мають відмінності. Глибоке навчання було розроблено для багатошарових мереж, натхненних людським мозком. Більшість цих мереж здатні виконувати різноманітні завдання, але краще підходять для певних завдань, таких як CNN для аналізу зображень, генеративна змагальна мережа (творчий ШІ) або рекурентна нейронна мережа для аналізу мови [1].

ШІ пройшов вражаючу еволюційну траєкторію від теоретичних концепцій до трансформаційних інструментів, які мають величезний потенціал у різних сферах. Перетин ШІ з охороною здоров’я призвів до парадигмальних зрушень – переосмислення медичних практик та революціонізації результатів пацієнтів. У сфері репродуктивної медицини інтеграція ШІ впровадила проривні можливості, транс­формувавши ландшафт допоміжного зачаття. Для розуміння цього трансформаційного шляху важливо заглибитися в історичний розвиток ШІ, зрозуміти його застосування у сфері охорони здоров’я та дослідити обґрунтування його інте­грації в ДРТ [2].

Зародження ШІ можна простежити до ідей середини 20-го століття, зокрема Алана Тюрінга, який заклав теоретичну основу для машин, здатних до розумної поведінки. Незважаючи на ранній оптимізм ШІ зіштовхувався з періодичними невдачами, що називалися «зимами ШІ», позначеними скороченням фінансування та прогресу. Останні десятиліття, однак, стали свідками безпрецедентного відродження, підживлюваного досягненнями в обчислювальній потужності, доступністю величезних наборів даних та проривами в алгоритмах машинного навчання [3, 4]. Це відродження вивело ШІ на передній план медичних досліджень, спонукаючи до вивчення його потенціалу для вирішення складних викликів у сфері ДРТ [5].

ДРТ, включаючи екстракорпоральне запліднення (ЕКЗ), довго боролися з викликами, такими як оптимізація показників успішності, підвищення діагностичної точності та навігація етичними міркуваннями. Інтеграція ШІ у процеси допоміжного зачаття відкриває нову еру, пропонуючи рішення для довгочасних дилем. Здатність ШІ швидко та точно аналізувати великі набори даних, поєднана з його можливістю ідентифікувати складні патерни, позиціонує його як переломний момент в оптимізації схем лікування, відборі життєздатних ембріонів та персоналізації нагляду за пацієнтами. Доповнення традиційних репродуктивних методів ШІ не тільки прагне покращити показники їх успішності, а й також вирішує проблему неефективності, оптимізує прийняття рішень та вводить інноваційні підходи до діагностики й лікування [6]. ДРТ, що охоплюють процедури, такі як ЕКЗ, інтрацитоплазматична ін’єкція сперматозоїда (ICSI) та преімплантаційне генетичне тестування (PGT), трансформували лікування безпліддя. Ці технології мають на меті подолати різні виклики безпліддя, сприяючи «зачаттю поза тілом» та відбору ембріонів із найвищими шансами на успішну імплантацію [7, 8].

Еволюція ШІ в охороні здоров’я віддзеркалює його ширший розвиток. Від ранніх концептуалізацій до сучасних проривів, ШІ поступово став незамінним інструментом. В охороні здоров’я застосування ШІ варіюється від підтримки діагностики та персоналізованих рекомендацій лікування до адміністративних завдань, оптимізації нагляду за пацієнтами та революці­онізації медичних досліджень. Обґрунтування інтеграції ШІ в ДРТ є багатогранним. Аналітична спроможність ШІ дозволяє виконувати швидку і точну обробку величезних масивів даних, забезпечуючи персоналізовані плани лікування на основі індивідуальних характеристик пацієнта [2]. Здатність розпізнавати складні патерни підвищує діагностичну точність, сприяючи відбору життє­здатних ембріонів та оптимізації загальних показників успішності. Інтеграція ШІ вирішує довгочасні виклики у сфері ДРТ, сприяючи інноваціям у засто­суванні більш ефективних і персоналізованих схем лікування безпліддя [9].

Цей описовий огляд має на меті дослідити унікальні можливості інтеграції ШІ в ДРТ.

Поточні перспективи ШІ в ДРТ

Незважаючи на роки досягнень у ДРТ показники їх успішності залишаються субоптимальними. Інтеграція нових технологій, таких як ШІ та машинне навчання, є багатообіця­­ючим щодо покращення результатів та впровадження автоматизації і стандартизації в окремих клініках та країнах [10-13]. Конкретні досягнення в оптимізації протоколів стимуляції, прогнозуванні формування ембріонів та покращенні процесів відбору підкреслюють потенціал ШІ. Впровадження автоматизації та точності в аналіз на основі зображень органічно узгоджується з цілями ДРТ [14]. Ефективна анотація може додати швидкість, точність та відтворюваність, спеціально пристосовану для виявлення аномалій. Комп’ютерний зір із CNN (нейронна мережа прямого поширення для глибокого навчання, спеціально розроблена для розпізнавання зображень), тип глибокої нейронної мережі є інстру­ментальними в завданнях аналізу зображень, часто поєднуючись з іншими моделями ШІ для комплексної анотації зображень [15].

Оцінка та відбір сперматозоїдів

Високий робочий потік у лабораторіях ЕКЗ вказує на потребу в автоматизації оцінки сперма­тозоїдів. Комп’ютерний аналіз сперми (CASA) як низькорівневий алгоритм існує з 1980-х років. CASA, що включає новіші алгоритми машинного навчання, обіцяє оптимізувати аналіз рухливості та життєздатності сперматозоїдів і зменшити людські помилки [16]. CNN широко використовуються в процесах глибокого навчання для відстеження об’єктів з метою оцінки рухливості в цих системах. Значущі досягнення включають портативні ­пристрої та аналіз за допомогою смартфонів з автоматизацією розрахунків концентрації та життєздатності сперматозоїдів, демонструючи потенціал ШІ у покращенні ефективності та зменшенні суб’єктивності [17, 18]. Дослідники повідомляли про високий ступінь точності для цих алгоритмів.

Відбір яйцеклітин

Визнаючи ключову роль яйцеклітин у майбутніх ембріонах, дослідники вивчили різні морфологічні особливості, що корелюють із потенціалом запліднення. Такі особливості, як гігантські яйце­клітини, великі полярні тільця, збільшений перивітеліновий простір, наявність вакуолей, гладкий ендоплазматичний ретикулум, підвищена зернистість та товста блискуча оболонка асоціюються з поганим заплідненням. Моделі ШІ, такі як CNN, демонструють високу точність (86%) у прогнозуванні потенціалу запліднення та розвитку ембріона на основі морфології яйце­клітини [19]. Крім того, ультразвукові патерни потенційно можуть сприяти ефективному відстеженню фолікулів і прийняттю рішень про тригер на основі патернів зображення [20].

Відбір ембріонів

Оскільки перенесення одного ембріона стає стандартною практикою, оцінка ембріонів на різних стадіях є критичною. Алгоритми ШІ розрізняють нормальне та аномальне запліднення, пропонуючи цінний інструмент в оцінці зигот. Крім того, комп’ютерний зір через нейронні мережі демонструє потенціал у прогнозуванні формування бластоцист і розрізнення анеуплоїдних ембріонів від еуплоїдних [21, 22]. Вони також використовувалися як інструменти свідчення завдяки їх здатності точно ідентифікувати кожен ембріон [23].

Ембріони стадії бластоцисти

Оцінка бластоцист із використанням ШІ включає такі виклики, як визначення оптимальної часової точки для навчання алгоритмів та оци­фро­­­­­вування буквено-цифрової системи оцінювання. Моделі ШІ, що включають числову оцінку, кількісні аналізи в мережах машинного навчання, показують перспективу в точному прогнозуванні потенціалу бластоцист та анеуплоїдії. Діагностична точність коливалася від 60 до 80% на основі набору даних, а чутливість для прогнозування еуплоїдних ембріонів – від 75 до 95% [24-27].

У всіх дослідженнях існує багато гетерогенності. Різні моделі ШІ використовувалися в до­слідженнях і продовжують еволюціонувати, що обмежує узагальнення результатів. Іншою проблемою є те, що не всі моделі прогнозування призначені для клінічної вагітності, оскільки якщо прогнозований результат є живонародженням, то можуть бути змінні, інші ніж якість ембріона, тобто вік пацієнта, маткові фактори, які можуть вплинути на результат. Це ключові галузі, діяльність яких потребує стандартизації.

Майбутні напрямки досліджень можуть включати інтеграцію геноміки, поєднання неінвазивного преімплантаційного генетичного тестування з аналізом зображень та врахування факторів поза аналізом зображень і якістю ембріо­­­­на, таких як ендометріальні фактори та характеристики пацієнта [28].

Доступні на сьогодні сфери застосування ШІ у ДРТ наведено в таблиці.

Таблиця. Застосування ШІ в ДРТ

Персоналізовані плани лікування та покращення діагностичної точності

Перетин прецизійної медицини (форми медицини, що використовує інформацію про гени, білки, середовище та спосіб життя людини для попередження, діагностики або лікування хвороб) [28] та ШІ вказує на значний прогрес у персоналізованій охороні здоров’я. Співпраця, прикладом якої є геном-інформоване призначення, означає трансформаційний крок, де рекомендації в реальному часі виводяться з алгоритмів машинного навчання, що прогнозують потреби в ліках на основі геномної інформації [29]. Сенсибілізація ШІ до індивідуальної варіабельності є життєво важливою, і ретельне тестування продуктів охорони здоров’я на основі ШІ, таких як Watson від IBM, стає необхідним для усунення потенційних упереджень у навчальних наборах даних. Покладання на системи безперервного навчання для інструментів підтримки створює виклики, пов’язані з неупередженими початковими наборами даних та часом, необхідним для розвитку точних можливостей прийняття рішень [30].

Водночас інтеграція ШІ та машинного навчання в охороні здоров’я дозволяє вдосконалити діагностику захворювань, пропозиції лікування та інтерпретацію медичної візуалізації. Незважаючи на швидкий прогрес в інформаційних технологіях, впровадження електронних медичних записів стало каталізатором трансформації охорони здоров’я. Потенціал ШІ у підвищенні діагностичної точності ілюструється в дослідженнях, що використовують клініко-генетичні набори даних, де генетична інформація покращує прогнозування результатів стимуляції яєчників при ЕКЗ. Однак виклики залишаються у впровадженні стандартизованих форматів даних, отриманні добре маркованих даних і управлінні регуляторними та соціокультурними передумовами.

Алгоритми машинного навчання, включаючи логістичну регресію, машини опорних векторів, дерева рішень та випадкові ліси, сприяють покращенню показників успішності ДРТ [31]. Ці алгоритми використовують різні параметри та аналіз зображень ШІ для покращення оцінки безпліддя. Крім того, діагностичні інструменти на основі ШІ демонструють величезний потенціал в охороні здоров’я шляхом інтеграції даних пацієнтів для більш швидкого і точного діагностування. Ці інструменти, що включають складні алгоритми, створюють персоналізовані плани лікування, враховуючи медичну історію, генетику та відповіді на попереднє лікування. Такий підхід мінімізує метод спроб і помилок у виборі медикаментів, дозволяє моніторити та коригувати плани лікування в реальному часі, що у кінцевому підсумку покращує загальний нагляд за пацієнтами. Включення ШІ до стимуляції ЕКЗ має на меті покращити клінічний нагляд, а також доступність до більш ефективних і дієвих методів лікувань безпліддя [32, 33].

Покращення пацієнт-орієнтованої допомогиза участю ШІ

Ефективна комунікація є першочерговою в ­досягненні оптимальних результатів пацієнтів та наданні високоякісної медичної допомоги. Залучення ШІ до ресурсів e-health відкриває шляхи для покращення ефективності програм зміцнення здоров’я. Включення можливостей людського інтелекту в обчислення через ШІ дозволяє розвиток складних функцій e-health, таких як інтуїтивні інтерфейси «людина-комп’ютер», відповідні взаємодії, налаштовувані нагадування, монітори, що адаптуються до досвіду користувачів і фізичних/психологічних станів, та залучені реляційні агенти [30]. Ці зусилля спрямовані на підтримку пацієнтів у їх прагненні до здорового життя, сприяючи їх кращому розумінню та комунікації з командою медиків через розумні, адаптивні та оперативні програми ­здоров’я [34].

Виклики та етичні міркування

Поширена інтеграція ШІ в медичних сферах, особливо в репродуктивній медицині, викликає оптимізм, проте її рання стадія розвитку ускладнює нюансовану оцінку як ризиків, так і можливостей. Незважаючи на обнадійливі кроки мало можливостей ШІ досягли технічної зрілості або знайшли широке впровадження в клінічній практиці, спонукаючи до критичного вивчення етичних аспектів, що супроводжують ШІ в системі охорони здоров’я.

Нещодавні огляди підкреслили етичні міркування в чотирьох ключових сферах: дослідження, автономія пацієнта, відносини «лікар – пацієнт» та репродуктивна неупередженість [37, 38].

Значний виклик полягає в ретроспективному характері багатьох досліджень з обмеженими проспективними рандомізованими випробуваннями. Такі дослідження створюють підвищений ризик упередженості, відхилення від встановлених стандартів звітності та часто не мають істотних даних і доступності коду.

Ще один виклик полягає в покладанні на великі та різноманітні набори даних, де ефективні моделі лікування в конкретних когорт не є універсально застосовними до окремих осіб, потенційно викликаючи конфлікти між лікарями та рекомендаціями, згенерованими ШІ.

Поточні дослідження ШІ зосереджуються переважно на аналізі зображень сперматозоїдів та ембріонів, а також на прогнозуванні результатів ДРТ. Однак значний виклик виникає в ефективній інтеграції ШІ у клінічну практику через потребу у великих і різноманітних наборах даних у поєднанні з варіаціями в означеннях даних між клініками, демографічними характеристиками пацієнтів та відмінностями в клінічних і лабораторних керівних принципах. Ці виклики породжують потенційні упередження в інструментах ШІ, обмежуючи їх узагальненість за різних клінічних умов.

Природа «чорної скриньки» моделей ­маши­нного навчання, яким часто бракує повної пояснюваності, вносить складності, оскільки ці частково прозорі інструменти беруть участь в авто­матичному прийнятті рішень [40, 41]. Для управління цими етичними викликами та використання повного потенціалу прозорих, пацієнт-­орієнтованих і надійних алгоритмів на основі ШІ для точності та покращення ­результатів стають необхідними спільні зусилля між розробниками ШІ та фахівцями охорони ­здоров’я [42]. Такий узгоджений підхід забезпечує ретельне вивчення кількості та якості використаних даних, вказуючи на необхідність прозорості перед широким впровадженням ШІ у клінічну практику [43]. Основні етичні занепокоєння, що виникають при використанні ШІ в сфері ДРТ, відображено на рисунку.

Рис. Етичні міркування щодо використання ШІ в ДРТ

Майбутні напрямки та інновації

Застосування ШІ в охороні здоров’я покликане привнести значні трансформації в різних сферах. Потенціал ШІ охоплює точні діагнози, персо­налізоване планування лікування, раннє ­виявлення захворювань, прогностичні аналізи, покращення хірургічних втручань через робототехніку та дистанційний моніторинг пацієнтів [44]. Більше того, його вплив поширюється на оптимізацію операцій охорони здоров’я, вдосконалення робочих процесів, розвиток точної візуалізації та радіології, оптимізацію відкриття ліків та автоматизацію адміністративних завдань.

Регуляторна структура та стандартизація

На сьогодні не існує спеціального законодавства, яке регулює використання ШІ в системі охорони здоров’я. Зокрема, у Сполученому Королівстві ШІ в охороні здоров’я підпадає під чинні закони, такі як Регламент медичних виробів Великобританії 2002 року та Закон про захист даних 2018 року. Уряд Великобританії прийняв інноваційну позицію, спрямовану на сприяння технологічному зростанню, одночасно захищаючи інтереси пацієнтів та безпеку.

Агентство з регулювання ліків та продуктів охорони здоров’я (MHRA) визначає ШІ як медичний пристрій (AIaMD), розглядаючи його як підкатегорію програмного забезпечення (SaMD). Комплексний звіт, опублікований у листопаді 2022 року, окреслює регуляторні цілі, наголошуючи на перед- і післямаркетинговому аналізі для забезпечення безпеки та неупередженості [46].

Всесвітня організація охорони здоров’я у жовтні 2023 року випустила регуляторні міркування щодо ШІ в охороні здоров’я, надавши керівні принципи для його розвитку. Тим часом Європейський Союз запропонував Закон про ШІ у 2021 році, який набрав чинності наприкінці 2024 року. Це законодавство категоризує системи ШІ на основі рівнів ризику – від мінімального або відсутнього до обмеженого, високого та неприйнятного [47].

Таким чином, інтеграція ШІ в ДРТ означає парадигмальний зсув у лікуванні безпліддя. ШІ пропонує безпрецедентні можливості для персоналізованих планів лікування, підвищеної діагностичної точності та пацієнт-орієнтованої допомоги. Однак етичні міркування, регуляторні структури та потреба в ретельному тестуванні створюють виклики, які вимагають обережної навігації. Оскільки ШІ продовжує еволюціонувати, його потенціал для революціонізації ДРТ очевидний, а принципи точності та індивідуалізованої допомоги дозволяють переосмислити ­перспективи лікування безпліддя.

Реферативний огляд підготовлено редакцією

За матеріалами: Kakkar P., Gupta S., Paschopoulou K.I., PaschopoulosI., PaschopoulosI., SiafakaV., TsonisO. (2025) The integration of artificial intelligence in assisted reproduction: a comprehensive review. Front. Reprod. Health 7:1520919. doi: 10.3389/frph.2025.1520919.