Während der In-vitro-Fertilisation (IVF) werden aus Eiern und Spermien eine Vielzahl verschiedener Embryonen produziert. Anschließend wählen Embryologen dasjenige Embryo aus, von dem sie glauben, dass es am ehesten zu einer erfolgreichen Schwangerschaft führen wird, und übertragen es auf die Patientin. Die Entscheidung wird anhand eines Sets von allgemein akzeptierten Prinzipien getroffen, die auf dem Aussehen des Embryos basieren. In den letzten Jahren gab es großes Interesse an der Verwendung verschiedener künstlicher Intelligenz (KI) Techniken in diesem Prozess.
Ein von uns entwickeltes KI-System wurde in einer Studie mit über 1.000 IVF-Patienten getestet. Unser System wählte in etwa zwei Dritteln der Fälle das gleiche Embryo wie ein menschlicher Experte aus und hatte insgesamt nur eine geringfügig niedrigere Erfolgsrate. Die Ergebnisse wurden in Nature Medicine veröffentlicht.
Wir haben in den letzten Jahren mit Kollegen in Schweden Software entwickelt, um zu identifizieren, welche Embryonen die besten Erfolgschancen bei der IVF haben werden. Unser System verwendet Deep Learning, eine KI-Methode zur Identifizierung von Mustern in großen Datenmengen.
In unserer Studie, die in 14 Fruchtbarkeitskliniken in Australien und Europa (Dänemark, Schweden und dem Vereinigten Königreich) durchgeführt wurde, konnten wir keine signifikanten Unterschiede zwischen der Auswahl eines Embryos durch das Deep Learning System und einem Embryologen feststellen. Die klinische Schwangerschaftsrate betrug jeweils 46,5% bzw. 48,2%. Obwohl das KI-System in 65,8% der Fälle das gleiche Embryo wie der Embryologe auswählte, erledigte es die Aufgabe zehnmal schneller.
Es scheint, dass die Verwendung eines zuverlässigen automatisierten Werkzeugs wie diesem die Effizienz und Konsistenz der Embryologielabors verbessern könnte. Eine weitere Schlussfolgerung aus dieser Studie ist, dass randomisierte Studien, die Jahre dauern, möglicherweise nicht der optimale Ansatz für die Erforschung sich schnell entwickelnder Technologien sind. Unsere zukünftigen Arbeiten zur Bewertung dieser Technologie müssen alternative, aber dennoch klinisch gültige Ansätze zu diesem Thema untersuchen.