Analyse spatio-temporelle à base de connaissances intégrées pour l’identification d’embryons euploïdes chez les couples présentant des réarrangements chromosomiques
Les technologies de procréation assistée (ART) ont réalisé des progrès significatifs au cours des quatre dernières décennies, avec des taux de grossesse clinique pour la fécondation in vitro (FIV) et le transfert d’embryons (TE) passant de 20 % à 40 %. Malgré ces avancées, les méthodes traditionnelles de sélection embryonnaire basées sur le classement des embryons humains au jour 3 (J3) et le système de classement des blastocystes de Gardner présentent des limites. Pour pallier ces lacunes, l’intelligence artificielle (IA) est de plus en plus utilisée pour analyser et sélectionner les embryons à fort potentiel de développement ou prédire le statut de ploïdie des blastocystes. Cependant, la plupart des études se concentrent sur des femmes jeunes ou des couples sans anomalies chromosomiques, laissant un vide concernant l’applicabilité des modèles d’IA aux populations présentant des réarrangements chromosomiques.
L’objectif principal des traitements de procréation assistée est de transférer un blastocyste euploïde, permettant aux femmes infertiles de donner naissance à un nouveau-né en bonne santé. Bien que plusieurs algorithmes aient été développés pour évaluer le statut de ploïdie des embryons de couples avec caryotypes normaux dans le cadre du test génétique préimplantatoire pour aneuploïdie (PGT-A), l’efficacité des modèles d’IA pour évaluer le statut euploïde des blastocystes issus de populations avec réarrangements chromosomiques reste incertaine.
Cette étude vise à développer un système d’apprentissage profond pour prédire le statut euploïde des embryons en utilisant des vidéos time-lapse et des variables cliniques prédictives. Entre février 2020 et mai 2021, les chercheurs ont collecté des vidéos time-lapse brutes à multiples plans focaux d’embryons cultivés in vitro, des informations cliniques des couples et les résultats de dépistage chromosomique complet (CCS) des blastocystes ayant subi un traitement PGT. Un modèle d’apprentissage profond innovant, le Attentive Multi-Focus Selection Network (AMSNet), a d’abord été développé pour analyser les vidéos time-lapse en temps réel et prédire la formation des blastocystes. Sur cette base, des variables cliniques supplémentaires ont été intégrées pour créer un second modèle, le Attentive Multi-Focus Video and Clinical Information Fusion Network (AMCFNet), afin d’évaluer le statut euploïde des embryons. L’efficacité de l’AMCFNet a été testée spécifiquement sur des embryons issus de parents présentant des réarrangements chromosomiques.
Au total, 4112 embryons avec vidéos time-lapse complètes ont été inclus pour la prédiction de formation des blastocystes, et 1422 blastocystes qualifiés ayant reçu un PGT-A (n = 589) ou un PGT pour réarrangement structural (PGT-SR, n = 833) ont été analysés pour l’évaluation de l’euploïdie. Le modèle AMSNet, utilisant sept plans focaux, a démontré la meilleure précision en temps réel, dépassant 70 % au jour 2 de culture et atteignant 80 % au jour 4. Combiné à quatre caractéristiques cliniques des couples, l’aire sous la courbe (AUC) de l’AMCFNet avec sept plans focaux a augmenté à 0,729 pour les blastocystes issus de couples avec réarrangements chromosomiques.
L’étude a été menée au Centre de Reproduction du premier hôpital affilié de l’Université Sun Yat-Sen, avec des données collectées sous consentement éclairé et approbation éthique. La stimulation ovarienne contrôlée (COS) a été réalisée via divers protocoles, et les ovocytes ont été prélevés et inséminés par injection intracytoplasmique de spermatozoïdes (ICSI). Les zygotes à deux pronuclei (2PN) ont été cultivés dans des incubateurs time-lapse, capturant des images à sept plans focaux différents toutes les 10 ou 15 minutes jusqu’à la formation des blastocystes. Les biopsies embryonnaires et la vitrification ont été effectuées, et le CCS via microarrays SNP et séquençage nouvelle génération (NGS) a déterminé le statut de ploïdie.
L’AMSNet, basé sur ResNet-50, intègre un module de sélection multi-focale (MFS) et un module de décalage temporel (TSM). Le MFS exploite sélectivement les caractéristiques multi-focales via un mécanisme d’attention, tandis que le TSM permet une compréhension temporelle des vidéos. L’AMCFNet fusionne les caractéristiques cliniques, les données chromosomiques et les vidéos via le module MUTAN (Multimodal Tucker Fusion), prédissant la probabilité d’euploïdie.
Les modèles ont été entraînés avec l’optimiseur SGD et évalués par l’AUC moyenne de la courbe ROC. Dans le test sur les blastocystes PGT-SR, l’AMSNet a atteint une AUC de 0,764 (J2), 0,809 (J3) et 0,881 (J4) pour la prédiction de formation. Pour l’identification de l’euploïdie, l’AMCFNet avec sept plans focaux a obtenu une AUC de 0,778, démontrant une performance robuste dans les populations à risque accru d’aneuploïdie.
Cette étude valide le potentiel des modèles AMSNet et AMCFNet pour optimiser la sélection embryonnaire en intégrant l’imagerie dynamique et les données cliniques, ouvrant de nouvelles perspectives pour l’amélioration des résultats en médecine reproductive.
doi.org/10.1097/CM9.0000000000002803