Artificial intelligence - a novel tool in assisted reproduction technology

Fruktbarheten har gått ned i mange industrialiserte land de siste tiårene. Dette kan delvis skyldes sosiale og økonomiske forhold, men også en mulig økning i problemer med å få barn. Mellom 10 og 15% av par er ufrivillig barnløse. Metoder for assistert befruktning, det vil si befruktning utenfor livmoren, er utviklet de siste 40 år. Det er økende bruk av intracytoplasmatisk spermieinjeksjon (ICSI), som er et behandlingstilbud når mannen har dårlig sædkvalitet, men som av og til også brukes når sædkvaliteten er normal. Ved denne behandlingen føres sædcellen direkte inn i eggcellen, mens ved tradisjonell in vitro-fertilisering (IVF), blandes sædceller og egg i en skål, og en av sædcellene befrukter egget. Avgjørelsen om hvilket fertilisert egg, kalt embryo, som skal settes inn i kvinnens livmor, tar utgangspunkt i embryoets utseende og utvikling de første dagene etter befruktning. Utvelgelsen av sædcellen som skal brukes til ICSI, er også basert på ytre kjennetegn, og cellens bevegelighet og utseende anses som viktige. Bedømmingen av embryo og sædcelle gjøres av en embryolog, men det finnes ingen klare kriterier for å forutsi sjansen for graviditet. Det kan derfor være informasjon viktig for behandlingsresultater som ikke oppdages ved denne subjektive bedømmingen alene. Kunstig intelligens (KI) er mer og mer akseptert som et verktøy innen medisin og er spesielt egnet til å innhente informasjon fra bilder. I dette prosjektet utvikler vi KI-metoder til analyse av videoer av embryoutviklingen. Vi har vist at dyplæringsmodeller er i stand til å karakterisere celledeling og ulike stadier i embryo-utviklingen. Data fra disse bildeanalysene vil kobles til reproduksjonsutfall, som graviditet og levendefødte barn, for å finne ut om spesielle trekk ved embryoutviklingen øker sjansen for behandlingssuksess. Vi har også utviklet nevrale nettverk som ved analyse av videoer kan gruppere spermiene ut fra deres bevegelighet. Slike modeller kan bidra til å gjøre forbedre sædanalysen, som er sentral i infertilitetsutredningen. Videoer av spermier før utvelgelse til å injiseres inn i eggcellen ved ICSI-metoden er i ferd med å analyseres for deretter å kobles til reproduksjonsutfall. Vuderingen gjøres både av spermiene og av utførelsen av metoden. Resultatene fra analysene skal utvikles til et verktøy for fertilitetsklinikker som hjelp til å fatte kliniske beslutninger. Formålet er å forbedre metodene for å velge ut embryo og sædceller og dermed øke sjansen for graviditet og for det endelige resultatet - et levendefødt barn. I tillegg kan en nytteverdi av prosjektet være å redusere antall behandlingsforsøk og dermed oppnå en lavere kostnad totalt sett.

The fertility rates have declined in many industrialized countries during the last decades. This can partly be explained by socioeconomical factors, but may also be due to biologically related matters. Around 15% of couples will encounter fertility problems. Over the last decades, there has been a development of assisted reproduction technology (ART), and the use of ART treatment is increasing. The method of intracytoplasmic sperm injection (ICSI) was originally a treatment for couples where the male has reduced semen quality, but is often used also when the semen characteristics are normal. ART is to a high degree based on subjective assessments of spermatozoa and embryos, utilizing only a limited set of information. This project aims to develop strategies for making the selection of embryo and spermatozoa based on more objective criteria. AI methods make it possible to analyse large amounts of data from imaging and cell biological examinations to uncover patterns applicable in developing new methods for assessments of spermatozoa and embryos. By relating these patterns to ART outcome, the assessments will be optimized to improve the treatment results. This project also aims to develop tools for clinicians and embryologist to make more evidence-based decisions and thereby improving the ART outcome. AI methods constitute a new approach compared with traditional statistical methods, which are not equipped to reveal nonlinearities and complex relations between factors. A challenge using AI models is that they are more complex to interpret than traditional statistical models. Although the models may fit better to the data, it may be challenging to make them generalizable. Furthermore, the analysis may be difficult to understand by the users, but we will comply with this through a unique support system. Potential impact of the project findings is to reduce the number of treatment cycles and to lower cost per treatment.