Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Profesores responsables:
Tabla de contenidos
Página 2 de 27
Inteligencia Artificial
Página 3 de 27
Inteligencia Artificial
Los árboles de decisión son algoritmos de aprendizaje supervisado que crean diagramas de
construcciones lógicas a partir de una base de datos. Los nodos son las variables de entrada,
las ramas representan los posibles valores de las variables de entrada y las hojas son los Ç
Las ANNs son sistemas inteligentes utilizados en el aprendizaje automático que combinan
hardware (por ejemplo, unidades de procesamiento gráfico) y software (big data) para simular
el cerebro humano (Curchoe and Bormann, 2019). Las redes neuronales artificiales aplican
algoritmos que simulan los procesos de neuronas reales para resolver problemas complejos a
Página 4 de 27
Inteligencia Artificial
través del aprendizaje supervisado. Estas redes están formadas por distintas capas
compuestas por neuronas encargadas de recibir las señales (variables o datos), asignarles un
peso, o valor, y transmitirlas a la siguiente capa (Figura 1). La composición de las ANNs puede
dar lugar a diferentes estructuras o arquitecturas de red. Para desarrollar la estructura más
efectiva se utilizan algoritmos genéticos, es decir, métodos computacionales basados en
mecanismos naturales (Takahashi et al., 2016). Con el entrenamiento de las redes neuronales,
basado en el aprendizaje de propagación hacia atrás (Backpropagation), el sistema llega a
minimizar el error en la predicción del resultado deseado (Krogh, 2008; Lecun et al., 2015).
Por ejemplo, para el entrenamiento de una ANN que prediga calidad de los embriones en día
5 de desarrollo, se utilizarían blastocistos categorizados por embriólogos. Este procedimiento
se ha llevado a cabo con embriones de bovino, consiguiendo una precisión de 76.4% en la
detección de blastocistos de calidad baja, media y alta (Rocha et al., 2017).
Página 5 de 27
Inteligencia Artificial
Los vídeos de los sistemas time-lapse están compuestos por imágenes tomadas a intervalos
de tiempo definidos (por ejemplo, 10 o 15 minutos). Dichas imágenes pueden ser procesadas
y analizadas en función de sus píxeles. La diferencia entre una imagen y la anterior, o posterior,
define patrones de desarrollo. Si un determinado comportamiento se produce
frecuentemente en los embriones que consiguen implantar, y no en el resto, podríamos
identificar un nuevo marcador de implantación.
Las imágenes deben ser normalizadas, es decir, procesadas (por ejemplo, convertidas a escala
de grises) y estandarizadas antes de someterse a cualquier técnica de análisis. La aplicación
de filtros sobre las imágenes permite la identificación de bordes o estructuras que facilitan la
detección del embrión en el pocillo, como se puede observar en la Figura 2 con el filtro
Gausiano. A partir de ese punto, el análisis de imagen puede tanto identificar divisiones
embrionarias, como reconocer las partes de un blastocisto. La técnica de segmentación ha
sido utilizada para reconocer estructuras como la zona pelúcida, la masa celular interna y el
trofoectodermo (Rocha et al., 2017).
Página 7 de 27
Inteligencia Artificial
Distintos modelos han sido desarrollados con el objetivo de mejorar la selección embrionaria
considerando la morfología, la morfocinética, el secretoma e incluso la genética de los
embriones. Antes del apogeo de la inteligencia artificial, los estudios eran realizados con
estadística convencional (comparaciones entre medias en distintos grupos, regresiones, etc.)
como los citados a continuación.
Las ciencias ómicas (metabolómica, proteómica y genómica) también han sido empleadas
para identificar marcadores no invasivos de viabilidad embrionaria que mejoran el éxito de los
tratamientos de FIV (Krisher et al., 2015). Por un lado, distintas proteínas han sido propuestas
Página 8 de 27
Inteligencia Artificial
como marcadores de calidad embrionaria (Robertson, 2007; Lindgren et al., 2018) e incluso
han formado parte de algoritmos para mejorar la selección, junto con parámetros
morfológicos y morfocinéticos (Dominguez et al., 2015). Por otro lado, el estado oxidativo del
medio de cultivo donde se desarrollan los embriones ha sido propuesto como indicador de
actividad metabólica (Alegre et al., 2019). Los avances tecnológicos para el estudio del
secretoma embrionario han conseguido que las aproximaciones proteicas sean muy sensibles.
Recientemente, se ha desarrollado un método rápido y directo, capaz de analizar en 20
minutos el medio de cultivo del blastocisto, utilizando técnicas de ionización por desorción
láser asistida por matriz (MALDI TOF) (Iles, 2019).
Página 9 de 27
Inteligencia Artificial
Página 10 de
27
Inteligencia Artificial
La información extraída a partir de las imágenes de sistemas time-lapse es útil como entrada
para herramientas estadísticas convencionales y de aprendizaje automático capaces de
predecir el potencial de los embriones para implantar. Por tanto, si se consigue que los
parámetros sean objetivos y automatizados, evitando las anotaciones manuales, podría
aumentar la precisión de las predicciones.
La principal ventaja de los algoritmos basados en IA es la cantidad de datos que pueden ser
considerados en la predicción final. En un modelo de machine learning o deep learning se
Página 11 de
27
Inteligencia Artificial
Los trabajos citados a continuación han sido expuestos en congresos internacionales. Se han
propuesto nuevos sistemas para automatizar la anotación de parámetros morfocinéticos a
partir de videos de sistemas time-lapse (Gingold et al., 2018), similares a los introducidos en
los incubadores Geri y EmbryoScope. Recientemente, se han desarrollado técnicas que
mejoran la predicción de viabilidad embrionaria aplicando visión computacional a imágenes
Página 12 de
27
Inteligencia Artificial
de día 5 (VerMilyea et al., 2019). Además, se han mostrado distintos modelos para predecir la
calidad embrionaria en estadíos tempranos del desarrollo embrionario (Iwata et al., 2018;
Mimura et al., 2019), la formación de blastocisto (Kort et al., 2018; Coticchio and Sciajno,
2019) y su categoría (Meseguer Escriva et al., 2018; Zaninovic et al., 2018a; Kragh et al., 2019).
También se han expuesto algoritmos basados en IA para la predicción de gestación en
embriones euploides (Barash et al., 2018; Hariton et al., 2019) e incluso de RNV, alcanzando
una precisión general de 83% con datos morfocinéticos y 85% con datos morfológicos
(Zaninovic et al., 2018b; Meseguer et al., 2019b). Incluso, se ha propuesto un modelo que
predice la probabilidad de que ocurra un aborto con una precisión de 77% (Hariharan et al.,
2019).
La formación de redes neuronales combinando análisis de imagen con otros datos relevantes
del desarrollo embrionario muestran resultados prometedores. Como técnica de análisis de
datos, con el uso de deep learning, se ha demostrado que aumenta el consumo de glucosa en
embriones de buena calidad que alcanzan más pronto el estadio de blastocisto (Ferrick et al.,
2019). Como herramienta de predicción de resultados clínicos, se ha propuesto un modelo de
machine learning combinando el proteoma presente en el medio de cultivo con el análisis de
imagen. Se midieron 96 proteínas de los medios de cultivo de embriones euploides en día 5
de desarrollo y se extrajeron 25 variables matemáticas de las imágenes de dichos embriones
a las 111.51.5 horas de cultivo in vitro. Finalmente, se desarrollaron distintas estructuras de
ANN con alta capacidad para predecir la capacidad de dar lugar a RNV. La IL-6 y la MMP-1
resultaron ser las proteínas con mayor poder predictivo junto con las variables extraídas de
las imágenes (Meseguer et al., 2019a)
Página 13 de
27
Inteligencia Artificial
Por un lado, para categorizar embriones, Khosravi et al., 2019 utilizaron el aprendizaje
profundo en imágenes de blastocistos procedentes de time-lapse. Los blastocistos fueron
etiquetados por embriólogos como de buena o mala calidad basándose en el potencial de
implantación. Dichas imágenes fueron utilizadas para enseñar a un algoritmo, llamado STORK,
a distinguir entre blastocistos de buena o mala calidad. La valoración del STORK, con imágenes
no incluidas en el entrenamiento, demostró una alta capacidad para predecir la evaluación
embrionaria asignada por los embriólogos (AUC = 0.98). Utilizaron 12.001 imágenes de
blastocistos de buena y mala calidad, el 70% para el entrenamiento y el 30% para la validación.
Además, diseñaron un árbol de decisión teniendo en cuenta la relación entre la calidad
embrionaria (buena o mala) y la edad de la paciente, y su efecto sobre la probabilidad de RNV.
Las imágenes introducidas en el sistema no necesitan ser modificadas manualmente ni presentar
anotaciones. Además, se trata de un método de evaluación online que no requiere un amplio
conocimiento informático (Khosravi et al., 2019).
Por otro lado, Tran et al., 2019 utilizaron el aprendizaje profundo para analizar vídeos del
desarrollo embrionario completo in vitro. Desarrollaron una herramienta denominada IVY, para
la predicción automática del potencial de implantación de los embriones humanos. Utilizaron
un total de 8.836 vídeos de embriones, 80% para el entrenamiento y 20% para la validación.
Sus resultados demostraron a través de curvas ROC una predicción de 0.93 (95% CI 0.92-0.95)
para embarazo evolutivo, en una validación cruzada con 5 iteraciones o subconjuntos. Además,
sus hallazgos fueron validados en 8 laboratorios distintos, con el fin, de aprobar el uso del
modelo en diferentes ambientes clínicos. Se trata de un sistema entrenado tabula rasa,
decidiendo por él mismo la significancia de cada característica del vídeo o de la interacción
entre características (Tran et al., 2019).
Varios modelos de IA se han desarrollado para su aplicación en los laboratorios de FIV. Algunas
variables cruciales para los tratamientos de reproducción asistida podrían ser desconocidas
actualmente y darse a conocer con el uso de IA. Recientemente, se ha identificado un halo en
el citoplasma de los ovocitos como señal de buen pronóstico. Esta inexplorada característica
Página 14 de
27
Inteligencia Artificial
está presente en el 42% de los ovocitos que logran un RNV y en el 17% de los que no implantan
(Meseguer et al., 2019c).
Página 15 de
27
Inteligencia Artificial
Página 16 de
27
Inteligencia Artificial
Página 17 de
27
Inteligencia Artificial
Barash O, Ivani K, Weckstein L, Hinckley M. High accuracy machine learning predictive model
for embryo selection in IVF PGT cycles with single embryo transfers. Fertil Sterility Sci Congr
Suppl Oral Poster Sess Abstr 2018;110:e372.
Ciray HN, Campbell A, Agerholm IE, Aguilar J, Chamayou S, Esbert M, Sayed S. Proposed
guidelines on the nomenclature and annotation of dynamic human embryo monitoring by a
time-lapse user group. Hum Reprod 2014;29:2650–2660.
Conaghan J, Chen AA, Willman SP, Ivani K, Chenette PE, Boostanfar R, Baker VL, Adamson GD,
Abusief ME, Gvakharia M, et al. Improving embryo selection using a computer-automated
Página 18 de
27
Inteligencia Artificial
time-lapse image analysis test plus day 3 morphology: Results from a prospective multicenter
trial. Fertil Steril 2013;100:412–419.
Curchoe CL, Bormann CL. Artificial intelligence and machine learning for human reproduction
and embryology presented at ASRM and ESHRE 2018. J Assist Reprod Genet 2019;36:591–600.
Dal Canto M, Coticchio G, Mignini Renzini M, Ponti E De, Novara PV, Brambillasca F, Comi R,
Fadini R. Cleavage kinetics analysis of human embryos predicts development to blastocyst and
implantation. Reprod Biomed Online 2012;25:474–480.
Dale AI. Thomas bayes, an essay towards solving a problem in the doctrine of chances (1764).
Landmark Writings West Math 1640-1940 2005;199–207.
Página 19 de
27
Inteligencia Artificial
Farnoush A. The application of an image analyzing computer (Quantimet 720) for quantitation
of biological structures--the automatic counting of mast cells. Microsc Acta [Internet]
1977;80:43—47.
Ferrick L, Lee YSL, Gardner DK. Metabolic activity of human preimplantation embryos . relates
to their morphokinetics, morphological grade, . KIDScore and artificial intelligence selection.
Hum Reprod Abstr 35th Annu Meet ESHRE 2019;34:i71.
Gelo N, Kirinec G, Baldani DP, Vrčić H, Ježek D, Milošević M, Stanić P. Influence of human
embryo cultivation in a classic CO2 incubator with 20% oxygen versus benchtop incubator with
5% oxygen on live births: The randomized prospective trial. Zygote 2019;27:131–136.
Geyter C De, Calhaz-Jorge C, Kupka MS, Wyns C, Mocanu E, Motrenko T, Scaravelli G, Smeenk
J, Vidakovic S, Goossens V, et al. ART in Europe, 2014: Results generated from European
registries by ESHRE. Hum Reprod 2018;33:1586–1601.
Hanchuan Peng, Jie Zhou, Zhi Zhou, Alessandro Bria, Yujie Li, Dean Mark Kleissas, Nathan G.
Drenkow, Brian Long, Xiaoxiao Liu and HC. Bioimage Informatics for Big Data. Focus Bio-Image
Informatics [Internet] 2016;, p. 263–272Available from:
http://link.springer.com/10.1007/978-3-319-28549-8.
accuracy whether a human embryo capable of achieving a pregnancy will miscarry. Fertil
Sterility Sci Congr Suppl Oral Poster Sess Abstr 2019;112:e38.
Hernández-González J, Inza I, Crisol-Ortíz L, Guembe MA, Iñarra MJ, Lozano JA. Fitting the data
from embryo implantation prediction: Learning from label proportions. Stat Methods Med Res
2018;27:1056–1066.
Hortal L, los Santos MJ de. Multinucleation and embryonic development. Rev Asoc Est Biol Rep
2012;17:23–28.
Iles RK. Secretome profile selection of optimal IVF embryos by matrix-assisted laser desorption
ionization time-of-flight mass spectrometry. J Assist Reprod Genet 2019;36:1153–1160.
Kirkegaard K, Agerholm IE, Ingerslev HJ. Time-lapse monitoring as a tool for clinical embryo
assessment. Hum Reprod 2012;27:1277–1285.
Página 21 de
27
Inteligencia Artificial
Kirkegaard K, Kesmodel US, Hindkjær JJ, Ingerslev HJ. Time-lapse parameters as predictors of
blastocyst development and pregnancy outcome in embryos from good prognosis patients: A
prospective cohort study. Hum Reprod 2013;28:2643–2651.
Kort J, Meyer D, Chen NY, Baker VL, Huang JY, Camarillo D, Behr B. predicting blastocyst
formation from oocyte mechanical properties: a comparison of a machine learning classifier
with embryologist morphological assessment. Fertil Sterility Sci Congr Suppl Oral Poster Sess
Abstr 2018;110:e29.
Krisher RL, Schoolcraft WB, Katz-jaffe MG. Omics as a window to view embryo viability. Fertil
Steril 2015;103:333–341.
Manna C, Nanni L, Lumini A. Artificial intelligence techniques for embryo and oocyte
classification. Reprod Biomed Online 2013;26:42–49.
Página 22 de
27
Inteligencia Artificial
Meseguer M, Bori L, Toschi M, Gallego R Del, Alegre L, Hickman C, Rocha JC. Aplicación de la
inteligencia artificial para la selección embrionaria combinando el análisis proteico del medio
de cultivo en contacto con el blastocisto, la morfocinética y la morfología en D5 de desarrollo.
ASEBIR Rev Embriol Clínica y Biol la Reprod 2019a;24:.
Meseguer M, Herrero J, Tejera A, Hilligsøe KM, Ramsing NB, Remoh J. The use of
morphokinetics as a predictor of embryo implantation. Hum Reprod 2011;26:2658–2671.
Meseguer M, Hickman C, Bori L, Alegre L, Toschi M, Gallego R Del, Rocha JC. is there any room
to improve embryo selection? artificial intelligence technology applied for live birth prediction
on blastocysts. Fertil Sterility Sci Congr Suppl Oral Poster Sess Abstr 2019b;112:e77.
Meseguer M, Maor RU, Alegre L, Gallego R Del, Pellicer A, Seidman DS, Gilboa D. automated
halo identification: a novel predictive feature for ivf success identi- fied through an Artificial
Intelligence (AI) algorithm. Fertil Sterility Sci Congr Suppl Oral Poster Sess Abstr
2019c;112:e157.
Página 23 de
27
Inteligencia Artificial
Milewski Robert, Kuczyńskabc Agnieszka, Stankiewiczb Bożena KW. How much information
about embryo implantation potential is included in morphokinetic data? A prediction model
based on artificial neural networks and principal component analysis. Adv Med Sci
2017;62:202–206.
Mimura M, Tamoto R, Sato M, Shimura T, Yumoto K, Mio Y. Finding an optimal algorithm for
predicting human embryo development using deep learning and high-resolution time-lapse
cinematography (hR-TLC). Hum Reprod Abstr 35th Annu Meet ESHRE 2019;34:i226.
Morales D, Bengoetxea E, Larra P, Merino M, Garc M, Franco Y. Bayesian classification for the
selection of in vitro human. Comput Methods Programs 2007;90:104–116.
Motato Y, los Santos MJ de, Escriba MJ, Ruiz BA, Remohí J, Meseguer M. Morphokinetic
analysis and embryonic prediction for blastocyst formation through an integrated time-lapse
system. Fertil Steril 2016;105:376–384.
Rienzi L, Vajta G, Ubaldi F. New culture devices in ART. YPLAC [Internet] 2011;32:S248–S251.
Elsevier.
Robertson SA. GM-CSF regulation of embryo development and pregnancy. Cytokine Growth
Factor Rev 2007;18:287–298.
Página 24 de
27
Inteligencia Artificial
Rocha JC, Passalia FJ, Matos FD, Takahashi MB, Ciniciato DDS, Maserati MP, Alves MF, De TG.
A Method Based on Artificial Intelligence To Fully Automatize The Evaluation of Bovine
Blastocyst Images. npj Digit Med 2017;7:1–10.
Storr A, Venetis CA, Cooke S, Kilani S, Ledger W. Inter-observer and intra-observer agreement
between embryologists during selection of a single Day 5 embryo for transfer: A multicenter
study. Hum Reprod 2017;32:307–314.
Sundvall L, Ingerslev HJ, Breth Knudsen U, Kirkegaard K. Inter- and intra-observer variability of
time-lapse annotations. Hum Reprod 2013;28:3215–3221.
Takahashi MB, Rocha JC, Núñez EGF. Optimization of artificial neural network by genetic
algorithm for describing viral production from uniform design data. Process Biochem
2016;51:422–430.
Thukral S, Sakkas D, Vaughan DA, Toth TL, Penzias AS, Bhasin . S., Jasuja R. Machine Learning
approaches to Predicting Personalized Response to Controlled Ovarian Hyperstimulation
(COH) During In Vitro Fertilization (IVF). Hum Reprod Abstr 35th Annu Meet ESHRE
2019;34:i425.
Tran D, Cooke S, Illingworth PJ, Gardner DK. Deep learning as a predictive tool for fetal heart
pregnancy following time-lapse incubation and blastocyst transfer. Hum Reprod
2019;34:1011–1018.
Witczak O, Andersen JM, Hicks S, Hammer HL, Riegler MA, Haugen TB. Artificial intelligence
predicts sperm motility from sperm fatty acids. Hum Reprod Abstr 35th Annu Meet ESHRE
2019;34:i200.
Wong CC, Loewke KE, Bossert NL, Behr B, Jonge CJ De, Baer TM, Pera RAR. Non-invasive
imaging of human embryos before embryonic genome activation predicts development to the
blastocyst stage. Nat Biotechnol 2010;28:1115–1121.
Página 26 de
27
Inteligencia Artificial
Página 27 de
27