Inteligencia Artificial

Profesores responsables:

Marcos Meseguer (marcos.meseguer@ivirma.com)

Supervisor Científico.Laboratorio de Fecundación In Vitro, Instituto Universitario IVI

Tabla de contenidos

1. Inteligencia Artificial: Conceptos generales

2. BIG-DATA: sistemas time-lapse y visión computacional
3. Algoritmos bioinformáticos para la selección embrionaria
4. Introducción de la IA en el laboratorio de FIV: Anotaciones automáticas
5. En la mayoría de laboratorios de FIV, los parámetros morfológicos y morfocinéticos
6. Algoritmos de Inteligencia Artificial para la selección embrionaria
7. Beneficios de la Inteligencia Artificial en reproducción asistida

Página 2 de 27
 Inteligencia Artificial

El éxito de los tratamientos de reproducción asistida depende de la interacción entre distintos

factores. Las características de la paciente, los protocolos de estimulación y los laboratorios
de fecundación in vitro (FIV) y andrología contribuyen en gran medida a la consecución del
embarazo. La tecnología empleada y las diferencias entre embriólogos, para identificar
embriones con alto potencial de implantación, provoca variabilidad en los resultados clínicos.
Recientemente, se ha propuesto el uso de Big Data y algoritmos de Inteligencia Artificial (IA)
para evitar la subjetividad y mejorar los resultados de los tratamientos de reproducción
asistida (Blank et al., 2019; Curchoe and Bormann, 2019).

La inteligencia artificial (IA) se define como la capacidad de un sistema computacional para

aprender y ejercer un comportamiento inteligente (Simopoulou et al., 2018). Las primeras
evidencias de IA en el área de medicina se registraron en la década del 1960, con los
clasificadores bayesianos. Las técnicas asociadas a la IA han evolucionado a lo largo de los años
en dirección al aprendizaje profundo (deep learning). El aprendizaje simbólico mediante
árboles de decisión (decision trees) o el aprendizaje automático (machine learning) han
formado parte del progreso de los sistemas computacionales en el campo de la embriología.

Los clasificadores bayesianos simples son métodos estadísticos clásicos y supervisados

basados en el Teorema de Bayes o teorema de la probabilidad condicionada. Se trata de
prever la probabilidad de que ocurra un evento A dada una información B, calculándola al
revés (Dale, 2005). La limitación es la suposición de independencia de cada condicionante
propuesto como información B. Un ejemplo es el uso de clasificadores bayesianos para la

Página 3 de 27
 Inteligencia Artificial

selección embrionaria: el evento A sería el embarazo (Si o No) y la información de grosor de

la zona pelúcida, grado de fragmentación, multinucleación y tamaño de blastómeras se
representaría como B (Morales et al., 2007).

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

posibles valores de la variable de salida. Un ejemplo es el uso de árboles de decisión para

prever la probabilidad de embarazo ectópico: la variable salida sería el embarazo ectópico (si
o no), los nodos serían la hormona gonadotropina coriónica (hCG), una kisspeptina (KiSS) y un
microRNA (miR-324-3p) y las ramas corresponderían a sus niveles en el tejido
embrionario/placentario (Romero-ruiz et al., 2019).

El aprendizaje automático o machine learning (ML) es un método supervisado que utiliza

algoritmos para recopilar datos, aprender de ellos y luego hacer una determinación o
predicción. Las técnicas de ML más utilizadas son las Redes Neuronales Artificiales o Artificial
Neural Networks (ANNs), por ejemplo: las Redes Neuronales Convolucionales (Matusevičius
et al., 2017), el Perceptrón Multicapa (Milewski Robert, Kuczyńskabc Agnieszka, Stankiewiczb
Bożena, 2017) o las Redes Bayesianas (Hernández-González et al., 2018).

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).

El aprendizaje profundo o deep learning (DL) es un subcampo del aprendizaje automático,

cuyo entrenamiento no está supervisado. De esta forma, reconoce un dato en un gran
conjunto de datos al hacer cambios en sus parámetros para acercarse al valor real (Lecun et
al., 2015). La repetición de una circunstancia es responsable del aprendizaje, como si fuera un
sistema nervioso biológico (Kim, 2016). Como especialización de ML, en DL son necesarios
muchos casos para el entrenamiento y no deben estar etiquetados. Por ejemplo, para predecir
la calidad de blastocistos, mediante esta técnica, el aprendizaje se llevaría a cabo con miles de
embriones sin proporcionar al software la categoría asignada por los embriólogos (Khosravi et
al., 2019).

Página 5 de 27
 Inteligencia Artificial

El desarrollo embrionario en los laboratorios de fecundación in vitro se lleva a cabo en

incubadores que simulan las condiciones del tracto reproductor femenino. Tras la apertura
del incubador, ya sea para introducir o sacar placas y evaluar el desarrollo embrionario, se
alteran las concentraciones de los gases y la temperatura (Zhang et al., 2010). El tiempo de
recuperación de las condiciones óptimas para el desarrollo embrionario se vio reducido con la
introducción de los incubadores de mesa, tipo “sandwichera” (benchtop), que permiten la
apertura de forma individual, por pacientes (Gelo et al., 2019). Sin embargo, los embriones
necesitan ser evaluados con un microscopio óptico, por tanto, las condiciones de cultivo
pueden ser igualmente perjudicadas. La entrada de los incubadores con sistema time-lapse
en los laboratorios de FIV permite la evaluación y selección de los embriones sin modificar las
condiciones de cultivo (Cruz et al., 2011; Kirkegaard et al., 2013; Zaninovic et al., 2015).

Los sistemas time-lapse captan el desarrollo embrionario completo en imágenes, a partir de

las cuales se pueden estudiar parámetros morfológicos y morfocinéticos. La combinación de
estas variables ha permitido la creación de distintos modelos para mejorar la clasificación y
selección de los embriones (Pribenszky et al., 2017). La principal limitación de estos algoritmos
viene determinada por la incapacidad de utilizar toda la información temporal y espacial
proporcionada por los sistemas time-lapse. Esta cantidad masiva de datos es lo que se
denomina big-data, y actualmente, no está siendo totalmente explotada en los laboratorios
de FIV.

Las imágenes del desarrollo embrionario permiten la identificación de nuevos parámetros

involucrados en el proceso de implantación. Para ello, la embriología se puede beneficiar del
análisis de imagen por visión computacional, técnica ya utilizada para resolver problemas
médicos y biológicos a nivel molecular, sub- y supra-celular (Hanchuan Peng, Jie Zhou, Zhi
Zhou, Alessandro Bria, Yujie Li, Dean Mark Kleissas, Nathan G. Drenkow, Brian Long, Xiaoxiao
Liu, 2016). La visión computacional es la aplicación de sistemas artificiales sobre imágenes
para extraer información y decidir qué eventos son relevantes para resolver una cuestión
Página 6 de 27
 Inteligencia Artificial

específica (Danuser, 2011). El objetivo de un programa de visión computacional es aprender

de forma iterativa sobre el contenido de una imagen. Una de las utilidades más antiguas de
los sistemas de visión computacional en medicina fue el conteo y seguimiento de células en
secciones de encías (Farnoush, 1977).

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).

La aplicación más interesante de la visión computacional es la capacidad de detectar

información que no es visible, o no es considerada como valiosa por los embriólogos. Las
futuras técnicas para la evaluación embrionaria podrán identificar parámetros inexplorados,
a día de hoy, que aumenten la predicción de implantación antes de la transferencia.

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.

Inicialmente, los sistemas de clasificación dependían únicamente de criterios morfológicos

observados en estadios tempranos del desarrollo embrionario (Rienzi et al., 2011). Con la
introducción de los sitemas time-lapse y el cultivo prolongado, a día 5 de desarrollo, surgieron
nuevas variables para la selección embrionaria. Se empezaron a investigar parámetros
morfocinéticos para predecir la formación de blastocisto (Dal Canto et al., 2012) e incluso el
potencial de implantación (Cruz et al., 2012). Además, se identificaron marcadores de mala
calidad embrionaria, como patrones de división anómalos (Kirkegaard et al., 2012) o presencia
de blastómeras multinucleadas (Hortal and de los Santos, 2012). El primer modelo para
predecir implantación con parámetros morfocinéticos divide a los embriones en 10 categorías
(Meseguer et al., 2011). Como en la mayoría de algoritmos, la morfología es el primer criterio
de exclusión, se descartan los embriones atrésicos o degenerados, los que tienen blastómeras
asimétricas, divisiones directas o multinucleación. A continuación, se tiene en cuenta el
tiempo de división a 5 células (t5), el tiempo en que permanece en 2 células (cc2= t3-t2) y la
sincronía entre la segunda y tercera división (s2=t4-t3). Se consideran rangos óptimos: t5
=48.8-56.6 horas, cc2 ≤ 11.9 horas y s2 ≤ 0.76 horas. Modelos posteriores incluyen parámetros
extraídos de estadios más avanzados del desarrollo embrionario, como el tiempo de
expansión del blastocisto (tEB) o la tercera sincronía entre la cuarta y séptima división, s3=t8-
t5 (Motato et al., 2016).

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).

A pesar de la gran variabilidad de estudios realizados y algoritmos propuestos combinando

distintas variables que influyen en el potencial de implantación, las tasas de gestación y de
recién nacido vivo (RNV) en reproducción asistida han incrementado muy poco. Solamente un
tercio de los ciclos de FIV terminan en un embarazo (De Geyter et al., 2018). La introducción
de la inteligencia artificial, como nueva técnica para el análisis de datos, supone un gran
avance en la investigación hacía el objetivo de aumentar el éxito de los tratamientos de FIV.
Sin embargo, la IA, además de renovar el análisis de los datos, ayuda a mejorar su obtención.

En la mayoría de laboratorios de FIV, los parámetros morfológicos y morfocinéticos son

anotados manualmente por los embriólogos. Desafortunadamente, las anotaciones manuales
y la categorización de los embriones son procesos subjetivos y con variablididad intra e inter
sujeto (Sundvall et al., 2013; Martínez-Granados et al., 2017; Storr et al., 2017). La
introducción de sistemas con visión computacional capaces de extraer información objetiva y
estandarizada de imágenes (Danuser, 2011) puede reducir la subjetividad en la selección de
embriones (Manna et al., 2013), gracias a las anotaciones automáticas.

Página 9 de 27
 Inteligencia Artificial

En el campo de la embriología humana, la primera aproximación predictiva desde imágenes

proporcionadas por time-lapse fue realizada por Wong, C. C. et al. (2010). Su equipo desarrolló
un algoritmo capaz de cuantificar automáticamente la duración de las citocinesis y los tiempos
entre mitosis, hasta el estadio de 4 células (Wong et al., 2010). Este sistema se comercializó
con el nombre de Eeva™ (del inglés Early Embryo Viability Assessment), siendo la primera
plataforma validada clínicamente que integra time-lapse, 2 parámetros predictivos y un
software automático. Se puede incorporar a un incubador convencional y obtiene imágenes
digitales de alta resolución, en un único plano y a intervalos de 5 minutos. Dispone de un
microscopio invertido digital de campo oscuro, de una cámara digital y del software de
adquisición de imágenes, además de una placa para el cultivo de los embriones en grupo
(Conaghan et al., 2013). En la actualidad, el test Eeva™ está incorporado en el incubador Geri®.
El uso de este software predictivo, en combinación con la morfología en día 3 de desarrollo,
demostró mejorar la capacidad del embriólogo para identificar embriones capaces de formar
blastocistos de buena calidad. De esta manera, se mejora la selección entre embriones de
morfología adecuada y se reduce la variabilidad inter-operador (Conaghan et al., 2013,
Diamond et al., 2015). Además, el software Eeva también se ha correlacionado con mejora en
la tasa de implantación y en la tasa de embarazo clínico (Adamson et al., 2016, VerMilyea et
al., 2014) y embarazo evolutivo (Aparicio-Ruiz et al., 2016).

El incubador Geri ® (Merck, Darmstadt, Alemania) tiene incorporado un nuevo sistema de

anotaciones automáticas en su software de monitorización digital Geri® Connect and Assess
2.0 (Figura 3). Es capaz de detectar automáticamente el tiempo de aparición de los pronúcleos
y su desaparición (tPNa y tPNf), los tiempos de división a 2, 3, 4, 5 y 6 células (t2, t3, t4, t5 y
t6), la formación de morula (tM), la llegada a blastocisto temprano (tSB) y expandido (tEB), y
el inicio de eclosión a través de la zona pelúcida (tHiB). Además, tiene la capacidad de detectar
eventos de división reversa o presencia de fragmentación. Dichas anotaciones se pueden
modificar manualmente si el embriólogo considera que no son correctas. Asimismo, el propio
software muestra una señal de advertencia cuando cierta anotación está fuera del rango

Página 10 de
27
 Inteligencia Artificial

temporal establecido por la compañía comercial. Actualmente, los intervalos de tiempo

definidos para cada evento son los siguientes: desaparición de los pronúcleos, 17-30 horas;
división a 2 células, 20-40 horas; a 3 células, 30-48 horas; a 4 células, 32-54 horas; a 5 células,
38-68 horas; a 6 células, 46-78 horas; formación de mórula, 64-100 horas, de blastocisto
temprano, 86-126 horas; de blastocisto expandido, 86-192 horas y el inicio de eclosión a través
de la zona pelúcida, 86-192 horas (Alpha Scientists, 2011; Ciray et al., 2014).

Los incubadores EmbryoScope® y EmbryoScope Plus® (Vitrolife, Copenhague, Dinamarca)

también poseen un sistema de anotación automática (Guided Anotations) en su software
EmbryoViewer®. Además, tienen incorporados algoritmos para la selección embrionaria, en
día 3 o 5 de desarrollo, en función de su potencial de implantación. Los modelos pueden ser
utilizados a partir de anotaciones manuales y/o automáticas. Actualmente, la versión más
reciente es la herramienta KIDScore D5 v3 diseñada a partir de más de 5000 embriones con
implantación conocida (KID, Known Implantation Data). Categoriza a los embriones de 1 a 9.9
considerando los parámetros: PN, t2, t3, t4, t5, tB y la calidad de la masa celular interna y del
trofoectodermo (Figura 4). Además, para asignar la puntuación a cada embrión considera las
irregularidades en las divisiones, como la división directa, y la velocidad del desarrollo.

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

puede introducir gran variedad de información, desde variables morfológicas a valores

numéricos de mediciones realizadas en el medio de cultivo embrionario o, incluso,
directamente imágenes. A su vez, las redes neuronales pueden estar entrenadas con imágenes
estáticas o con vídeos, pudiendo también considerar el tiempo. Este último tipo de redes
neuronales conocidas como LSTM (Long Short Term Memory) pueden “recordar” estadios
previos y utilizarlos para predecir los futuros.

Para llevar a cabo un modelo de IA es necesario un sistema que permita la recolección y el

almacenamiento de la información correspondiente a cada ciclo, un software que permita la
extracción de la información almacenada (big data) y una herramienta para el desarrollo de
redes neuronales que permita la entrada de imágenes y datos.

Asimismo, como ocurre en cualquier algoritmo creado con herramientas estadísticas

convencionales, los modelos de IA requieren ser validados y testados antes de implementar
su uso en los laboratorios de FIV. Es necesario probar el modelo utilizando embriones
desconocidos, no empleados en el entrenamiento. Este paso es conocido como test a ciegas
o blind test (Xu and Goodacre, 2018).

En el año 2018 hubo un salto en la investigación en el área de la embriología, hacia el estudio

de la IA. Las comunicaciones acerca de modelos de IA en los congresos internacionales se
multiplicaron por siete (Curchoe and Bormann, 2019). Actualmente, las investigaciones
continúan aumentando con la finalidad de mejorar el entendimiento acerca de la IA y convertir
esta tecnología en una herramienta para el laboratorio de FIV en un futuro próximo.

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 111.51.5 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)

Según publicaciones recientes en revistas de alto impacto en el ámbito de la reproducción

asistida, la validación de algunos modelos de deep-learning para evaluar y seleccionar
embriones ha sido realizada con éxito.

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).

Toda la información procedente de un tratamiento de FIV podría ser útil en algoritmos

basados en inteligencia artificial. Los beneficios asociados a la incorporación de esta nueva
tecnología en las clínicas de reproducción asistida afectan a distintas secciones o
departamentos:

En primer lugar, y en referencia a lo comentado detalladamente durante el presente capítulo,

el laboratorio de FIV podría introducir la IA para identificar embriones con el mayor potencial
de implantación. Pudiendo analizar tanto imágenes del desarrollo embrionario en crudo, sin
anotaciones manuales previas, como valores de mediciones realizadas en el medio de cultivo
embrionario.

En segundo lugar, el laboratorio de andrología también podría introducir la IA en su práctica

habitual. Se han desarrollado sistemas basados en redes neuronales para la búsqueda
automatizada de espermatozoides en muestras de semen (Takeshima et al., 2018) que
podrían utilizarse tanto en pacientes, como en donantes. Además, algunos modelos son
capaces de predecir la morfología (Thirumalaraju et al., 2018) y movilidad de los
espermatozoides (Riegler et al., 2019; Witczak et al., 2019) a través de imágenes o vídeos.
Incluso, se ha propuesto un sistema para predecir la presencia o ausencia de espermatozoides
en pacientes con azoospermia no obstructiva (AUC=0.8) (Zeadna et al., 2019).

Página 15 de
27
 Inteligencia Artificial

En tercer lugar, el proceso de estimulación ovárica también ha sido objeto de distintos

estudios basados en inteligencia artificial. Se han desarrollado algoritmos capaces de predecir
con una precisión del 81% el número de ovocitos MII que se pueden obtener de una
determinada paciente, solamente con sus características pretratamiento (Correa et al., 2018).
Sería posible gracias a la comparación con una enorme base de datos de pacientes con
características similares. De esta forma, es posible predecir el desarrollo folicular en pacientes
sometidas a hiperestimulación ovárica controlada (Thukral et al., 2019). En un futuro se
podrían incluso utilizar sistemas para predecir qué folículos tienen ovocitos y cuáles están
vacíos, antes de realizar la aspiración folicular. Un grupo de investigadores fue capaz de
predecir folículos vacíos en 5 de los 6 casos estudiados y folículos con ovocitos en 8 de los 10
casos analizados (Matsubayashi et al., 2018).

En cuarto lugar, podría aumentar la objetividad en el asesoramiento a pacientes que acuden

a realizarse un tratamiento de reproducción asistida utilizando IA. Recientemente, se ha
desarrollado un sistema para clasificar a las pacientes con diagnóstico de aborto recurrente y
ofrecer el tratamiento más adecuado de forma individual (Bruno et al., 2019).

A lo largo del capítulo se han mencionado diferentes metodologías de Inteligencia Artificial,

distintos tipos de redes neuronales, que se alimentan de datos e/o imágenes. En el laboratorio
de FIV, el entrenamiento de las redes neuronales podría realizarse utilizando como entrada
características de los embriones o, directamente, imágenes. Si se proporcionan las
características que ha considerado relevantes un operador o conjunto de operadores, se sabrá
qué tiene en cuenta el sistema en la predicción final. En cambio, si se proporcionan imágenes,
no sé podrá saber ciertamente que tiene en cuenta, pero quizás, considera variables que no
consideraría el operador.

Las metodologías empleadas en Inteligencia Artificial buscan evolucionar desde el enfoque

limitado de variables individuales al estudio de Big Data. Podríamos afirmar que este es el

Página 16 de
27
 Inteligencia Artificial

inicio de la era de la Inteligencia Artificial en la reproducción asistida y que, además, conduce

hacía un futuro muy esperanzador.

Página 17 de
27
 Inteligencia Artificial

Alegre L, Gallego R Del, Arrones S, Hernández P, Muñoz M, Meseguer M. Novel noninvasive

embryo selection algorithm combining time-lapse morphokinetics and oxidative status of the
spent embryo culture medium. Fertil Steril 2019;111:918-927.e3.

Alpha Scientists. The Istanbul consensus workshop on embryo assessment: proceedings of an

expert meeting Alpha Scientists in Reproductive Medicine and ESHRE Special Interest Group
of Embryology. Hum Reprod 2011;26:1270–1283.

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.

Blank C, Wildeboer R, Decroo I, Tilleman K, Weyers B, Sutter P, Mischi M, Schoot B. Prediction

of implantation after blastocyst transfer in in vitro fertilization : a machine-learning
perspective. Fertil Steril 2019;111:318–326.

Bruno V, Biasiotti M, D’Orazio M, Pietropolli A, Abundo P, Ticconi C, Martinelli E, Cianciulo C,

Pannone G, Piccione E, et al. Artificial Intelligence (AI) based-method applied in recurrent
pregnancy loss (RPL) patients diagnostic work-up and classification: a potential innovation in
common clinical practice. Hum Reprod Abstr 35th Annu Meet ESHRE 2019;34:i55.

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.

Correa N, Brazal S, García D, Brassesco M, Vassena R. Development and validation of an

artificial intelligence based algorithm for the selection of an optimal stimulation protocols in
IVF patients. Hum Reprod Abstr 34th Annu Meet ESHRE 2018;33:i88.

Coticchio G, Sciajno R. artificial neural-network analysis combined with time-lapse imaging

predicts embryo ability to develop to the blastocyst stage. Fertil Sterility Sci Congr Suppl Oral
Poster Sess Abstr 2019;112:e273.

Cruz M, Gadea B, Garrido N, Pedersen KS, Martínez M, Pérez-Cano I, Muñoz M, Meseguer M.

Embryo quality, blastocyst and ongoing pregnancy rates in oocyte donation patients whose
embryos were monitored by time-lapse imaging. J Assist Reprod Genet 2011;28:569–573.

Cruz M, Garrido N, Herrero J, Pérez-Cano I, Muñoz M, Meseguer M. Timing of cell division in

human cleavage-stage embryos is linked with blastocyst formation and quality. Reprod
Biomed Online 2012;25:371–381.

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.

Danuser G. Essay Computer Vision in Cell Biology. Cell 2011;147:973–978.

Página 19 de
27
 Inteligencia Artificial

Dominguez F, Ph D, Meseguer M, Ph D, Aparicio-ruiz B, Ph D. New strategy for diagnosing

embryo implantation potential by combining proteomics and time-lapse technologies. Fertil
Steril 2015;104:908–914.

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.

Gingold JA, Ng N, McAuley J, Lipton Z, Desai N. Predicting embryo morphokinetic annotations

from time-lapse videos using convolutional neural networks. Fertil Sterility Sci Congr Suppl
Oral Poster Sess Abstr 2018;110:e220.

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.

Hariharan R, He P, Meseguer M, Toschi M, Rocha JC, Zaninovic N, Malmsten J, Zhan Q,

Hickman C. artificial intelligence assessment of time-lapse images can predict with 77%
Página 20 de
27
 Inteligencia Artificial

accuracy whether a human embryo capable of achieving a pregnancy will miscarry. Fertil
Sterility Sci Congr Suppl Oral Poster Sess Abstr 2019;112:e38.

Hariton E, Kanakasabapathy MK, Gupta R, Rohan Pooniwala S, Rice T, Bhowmick P, Dimitriadis

I, Thirumalaraju P, Souter I, Ramirez LB, et al. a deep learning framework outperforms
embryologists in selecting day 5 euploid blastocysts with the highest implantation potential.
Fertil Sterility Sci Congr Suppl Oral Poster Sess Abstr 2019;112:e77.

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.

Iwata K, Sato M, Matsumoto I, Shimura T, Yumoto K, Negami A, Y M. Deep learning based on

images of human embryos obtained from high-resolution time-lapse cinematography for
predicting good-quality embryos. Fertil Sterility Sci Congr Suppl Oral Poster Sess Abstr
2018;110:e213.

Khosravi P, Kazemi E, Zhan Q, Malmsten JE, Toschi M, Zisimopoulos P, Sigaras A, Lavery S,

Cooper LAD, Hickman C, et al. Deep learning enables robust assessment and selection of
human blastocysts after in vitro fertilization. npj Digit Med 2019;2:1–9.

Kim KG. Deep Learning. Healthc Inform Res 2016;22:351–354.

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.

Kragh MF, Rimestad J, Berntsen J, Karstoft H. Automatic morphological grading of human

blastocysts with time-lapse imaging and artificial intelligence. Hum Reprod Abstr 35th Annu
Meet ESHRE 2019;34:i71.

Krisher RL, Schoolcraft WB, Katz-jaffe MG. Omics as a window to view embryo viability. Fertil
Steril 2015;103:333–341.

Krogh A. What are artificial neural networks ? Comput Biol 2008;26:195–197.

Lecun Y, Bengio Y, Hinton G. Deep learning. Nature 2015;521:436–444.

Lindgren KE, Yaldir FG, Hreinsson J, Holte J, Sundström-poromaa I, Kaihola H, Åkerud H,

Lindgren KE, Yaldir FG, Hreinsson J, et al. Differences in secretome in culture media when
comparing blastocysts and arrested embryos using multiplex proximity assay. Ups J Med Sci
2018;123:143–152.

Manna C, Nanni L, Lumini A. Artificial intelligence techniques for embryo and oocyte
classification. Reprod Biomed Online 2013;26:42–49.

Martínez-Granados L, Serrano M, González-Utor A, Ortíz N, Badajoz V, Olaya E, Prados N,

Boada M, Castilla JA. Inter-laboratory agreement on embryo classification and clinical
decision: Conventional morphological assessment vs. time lapse. PLoS One 2017;12:1–13.

Página 22 de
27
 Inteligencia Artificial

Matsubayashi H, Kitaya K, Takaya Y, Nishiyama R, Yamaguchi K, Kim N, Sakaguchi K, Doshida

M, Takeuchi T, Ishikawa T. Identification of empty follicles or oocyte-containing follicles by
ultrasound images using K-means method and principal component analysis assessing several
parameters with artificial intelligence. Hum Reprod Abstr 34th Annu Meet ESHRE
2018;33:i302.

Matusevičius A, Dirvanauskas D, Maskeliūnas R, Raudonis V. Embryo cell detection using

regions with convolutional neural networks. CEUR Workshop Proc 2017;1856:89–93.

Meseguer Escriva M, Zaninovic N, Nogueira Marcelo FG, Oliana O, Wilkinson T, Benham-

Whyte L, Lavery S, Hickman C, Rocha JC. Using artificial intelligence (AI) and time-lapse to
improve human blastocyst morphology evaluation. Hum Reprod Abstr 34th Annu Meet ESHRE
2018;33:i125.

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.

Pribenszky C, Nilselid AM, Montag M. Time-lapse culture with morphokinetic embryo

selection improves pregnancy and live birth chances and reduces early pregnancy loss: a meta-
analysis. Reprod Biomed Online 2017;35:511–520.

Riegler M, Andersen J, Marie, Hammer H, Lewi, Hicks S, Alexander, Oliwia W, Haugen T.

Artificial intelligence as a tool in predicting sperm motility and morphology. Hum Reprod Abstr
35th Annu Meet ESHRE 2019;34:i199.

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.

Romero-ruiz A, Avendaño MS, Dominguez F, Lozoya T. Deregulation of miR-324 / Kiss1 /

kisspeptin in early ectopic pregnancy : Mechanistic findings with clinical and diagnostic
implications. Am J Obs Gynecol 2019;5:e1-480.e17.

Simopoulou M, Sfakianoudis K, Maziotis E, Antoniou N, Rapani A, Anifandis G, Bakas P, Bolaris

S, Pantou A, Pantos K, et al. Are computational applications the “crystal ball” in the IVF
laboratory? The evolution from mathematics to artificial intelligence. J Assist Reprod Genet
2018;35:1545–1557.

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.

Takeshima T, Kuroda S, Yamamoto M, Murase M, Yumura Y, Sasaki H, Hamagami T.

Development of sperm searching system using artificial intelligence in assisted reproductive
technology. Hum Reprod Abstr 34th Annu Meet ESHRE 2018;33:i148.

Thirumalaraju P, Bormann C., Kanakasabapathy M, Doshi F, Souter I, Dimitriadis I, Shafiee H.

Automated sperm morphology testing using artificial intelligence. Fertil Sterility Sci Congr
Suppl Oral Poster Sess Abstr 2018;110:e432.
Página 25 de
27
 Inteligencia Artificial

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.

VerMilyea M, Miller A, Picou A, Lane M, Adaniya G, Bopp B, Morbeck D, Behnke E, Click L,

Matthews R, et al. Artificial intelligence (AI) technology can predict human embryo viability
across multiple laboratories with varying demographics with high accuracy and
reproducibility. Hum Reprod Abstr 35th Annu Meet ESHRE 2019;34:i2.

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.

Xu Y, Goodacre R. On Splitting Training and Validation Set: A Comparative Study of Cross-

Validation, Bootstrap and Systematic Sampling for Estimating the Generalization Performance
of Supervised Learning. J Anal Test [Internet] 2018;2:249–262. Springer Singapore.

Zaninovic N, Khosravi P, Hajirasouliha I, Malmsten JE, Kazemi E, Zhan Q, Toschi M, Elemento

O, Rosenwaks Z. Assessing human blastocyst quality using artificial intelligence (AI)
convolutional neural network (CNN). Fertil Sterility Sci Congr Suppl Oral Poster Sess Abstr
2018a;110:e89.

Página 26 de
27
 Inteligencia Artificial

Zaninovic N, Rocha JC, Zhan Q, Toschi M, Malmsten J, Nogueira M, Meseguer M, Rosenwaks

Z, Hickman C. Application of artificial intelligence technology to increase the efficacy of
embryo selection and prediction of live birth using human blastocysts cultured in a time-lapse
incubator. Fertil Sterility Sci Congr Suppl Oral Poster Sess Abstr 2018b;110:e372.

Zaninovic N, Zhan Q, Clarke R, Ye Z, Pereira N, Rosenwaks Z. Impact of time-lapse and reduced

oxygen culture on live birth rate and its correlation with infertility diagnosis. Fertil Steril
2015;104:e95.

Zeadna A, Khateeb N, Levitas E, Har-Vardi I, Yotam L, Rokach L, Harlev A, Huleihel M, Lunenfeld

E. Prediction of sperm extraction in men with non-obstructive azoospermia (NOA): A machine
learning . perspective. Hum Reprod Abstr 35th Annu Meet ESHRE 2019;34:i112.

Página 27 de
27