Сегодня в мире существует тенденция к снижению рождаемости [1]. При этом более 15% пар, желающих иметь ребенка, вынуждены прибегнуть к вспомогательным репродуктивным технологиям (ВРТ). ВРТ — это методы лечения бесплодия, при которых отдельные или все этапы зачатия и раннего развития эмбрионов осуществляются вне организма. К методам вспомогательной репродуктивной медицины относятся:

— криоконсервация ооцитов и эмбрионов;

— преимплантационное генетическое тестирование;

— вспомогательное оплодотворение;

— технология отбора эмбрионов [2].

Эффективность применения методов ВРТ составляет в среднем около 30% [3]. Успех проведения экстракорпорального оплодотворения (ЭКО) в основном зависит от качества эмбрионов, что делает процесс отбора эмбрионов критически важным. На сегодняшний день отбор эмбрионов зачастую осуществляется вручную. Оценка эмбрионов клиническими эмбриологами происходит при визуальной оценке морфологических признаков с использованием оптического микроскопа. При этом оценивается степень развития эмбриона, качество зародышевого узла и качество трофобласта (так называемая шкала Гарднера). Результаты оценки зависят от опыта и уровня квалификации эмбриолога [4], поэтому многие научные группы начали разрабатывать технологии по стандартизации и автоматизации процесса оценки эмбрионов.

Внедрение технологий искусственного интеллекта (ИИ) в медицине — один из главных трендов в здравоохранении во всем мире. ИИ способен в корне изменить всю мировую медицину: преобразовать систему диагностики, поспособствовать разработке новых лекарственных препаратов, повысить качество медицинских услуг в целом и снизить расходы. В перспективе возможности ИИ практически безграничны за счет предиктивных технологий.

Периодом начала работ по использованию ИИ в медицине считают 60-е годы XX века, когда был использован байесовский классификатор, далее появились метод случайного леса, машинное обучение [5] и, наконец, нейронные сети глубокого обучения. Глубокое обучение позволяет компьютеру обнаруживать структурные зависимости в большом наборе данных благодаря использованию алгоритма обратного распространения.

Однако особенность применения ИИ и методов машинного обучения в медицине заключается в том, что каждая клиническая область уникальна и требует специального подхода. Сравнения точности ИИ в различных клинических областях или точности различных подходов ИИ в области, которая оценивает различные конечные точки, некорректны. Необходимо соблюдать осторожность, чтобы понимать контекст, в котором работает ИИ, и преимущества, которые он обеспечивает в дополнение к текущим клиническим процессам.

Более 20 лет назад предложено использовать в методах ВРТ программное обеспечение Cortex Pro, созданное на основе нейронных сетей и использующее только 4 метрики: число полученных ооцитов, возраст пациентки, число перенесенных эмбрионов, число замороженных эмбрионов [6]. При этом точность работы составляла всего 59%. Несмотря на то что отрасль вспомогательной репродуктивной медицины относительно молода, но уже накопилось достаточно информации, что позволило достигнуть значительного прогресса в использовании ИИ и машинного обучения в области репродукции человека.

Исходя из этого, целью данной работы является освещение последних отечественных и зарубежных разработок и решений по использованию ИИ в репродуктивной медицине. Освещаются направления государственной поддержки использования ИИ в здравоохранении в целом и в репродуктивной медицине в частности.

Быстрое развитие ВРТ, например, технологии криоконсервации ооцитов и эмбрионов, вспомогательного оплодотворения, преимплантации, технологии генетического тестирования и селекции эмбрионов, значительно улучшило частоту наступления клинической беременности. Однако остается много проблем. Качество эмбрионов является наиболее важным фактором успеха ЭКО, при этом наблюдается недостаток в точности методов оценки качества яйцеклетки, спермы и эмбрионов. Методы репродуктивной медицины на основе ИИ могут стать решением таких проблем [7, 8]. Основной драйвер для разработки этих приложений — это улучшение лечения и прогноза бесплодия пациентов с использованием большого количества предоставленных данных, поплученных комплексными диагностическими и терапевтическими методами.

Данные — это основа, на которой базируется технология ИИ. Медицинские данные, формирующиеся из разнообразных по структуре, формату, достоверности источников массива медицинской информации, как полагают эксперты, на 78% представляют собой неструктурированный набор файлов, таблиц, рисунков, графиков, их описаний и зачастую противоречивых выводов и суждений [9]. Источники медицинских данных включают в себя:

— клинические данные для поддержки принятия решений различной специализации (диагностическая, прогностическая, с элементами ИИ, управления, уход за больными и т.д.) в виде стандартизированных данных из электронных историй болезни;

— зарегистрированные данные с датчиков мониторов и записывающих устройств;

— генерируемые экспертами конкретные показатели, письменные заметки и медицинские рецепты;

— звукозаписи и визуальные образы;

— данные специализированных исследований;

— данные о лекарственных препаратах;

— данные неотложной помощи;

— административно-паспортные данные;

— данные о страховании и медицинском страховании;

— социальные публикации в СМИ, в том числе Twitter-каналы, блоги, обновления статуса на Facebook и других платформ и веб-страниц;

— данные об опыте и результатах использования методов нетрадиционной медицины и непрофессиональных инициатив в области здравоохранения и медицины;

— нормативные и законодательные документы из области социальной медицины, общественного здравоохранения, рынка здравоохранения, политики и культуры;

— данные медицинской науки.

Для обучения алгоритмов, которые будут использоваться в медицине, в том числе в репродуктивной медицине, необходимы корректно размеченные данные (например, на рентгеновском снимке специалист обрисовывает область затемнения и помечает ее для программы как патологический очаг) [10]. Сейчас большинство медицинских данных размечаются врачами в ручном режиме, что имеет недостатки в виде децентрализации (отсутствие единой платформы, где врачи могут размечать медицинские данные), дороговизны (высокая стоимость рабочего времени квалифицированного специалиста), отрыв от работы (специалист во время разметки данных не может заниматься лечебной деятельностью) и необходимость достаточной квалификации (качественную разметку данных может проводить только специалист узкого профиля). Возможным решением проблемы видится создание указанной платформы, собирающей медицинские данные из разных источников и позволяющей медицинским работникам размечать их в формате краудсорсинга (мобилизация ресурсов большого количества людей с целью решения определенных задач).

Рассмотрим последние достижения по применению ИИ в репродуктивной медицине.

Оценка и отбор ооцитов. Первая попытка применить нейронную сеть в репродуктивной медицине датирована 1997 г. [6]. Созданная нейронная сеть прогнозировала беременность у человека с точностью 59%, параметрами являлись возраст матери, количество полученных ооцитов, количество перенесенных эмбрионов и факт проведения криоконсервации эмбрионов. Одно из последних достижений в использовании нейронной сети — это ее применение для отбора ооцитов в программах ЭКО. В одном из исследований авторы наблюдали ооциты мышей во время их созревания in vitro от зародышевых пузырьков (GV) до стадии метафазы II и сделали снимки для покадрового анализа. Исследователи рассчитали профиль скоростей движения цитоплазмы, проанализировав изображения с использованием метода велосиметрии изображений частиц (PIV), а затем данные проанализированы с помощью искусственной нейронной сети с прямой связью (FAAN) для идентификации качественных или некачественных ооцитов с точностью 91,03% [11].

Отбор и анализ спермы. Выполнено много исследований применения ИИ в области отбора и анализа спермы. Анализ спермы — это первый шаг в оценке бесплодных пар. В настоящее время системы компьютерного анализа спермы (CASA) используются для исследований и первичных анализов у человека и животных. Система может сообщать процент подвижности, кинематические параметры и определять субпопуляции сперматозоидов [12]. Однако существуют проблемы, связанные с необъективностью и сложностью ручной оценки морфологии сперматозоидов и высокой степенью различий между лабораториями. Поэтому разработан автоматизированный количественный метод классификации паттернов подвижности сперматозоидов мышей на основе 2043 треков сперматозоидов, полученных из системы CASA [13]. В 2017 г. тот же метод применен к оценке человеческой спермы [14]. Общая точность этой модели составляет 89,92%, ретроспективно использованы данные 425 человеческих сперматозоидов для разработки модели и диагностики хромосомных аномалий. Учитывали размер, общий объем яичек, уровни фолликулостимулирующего и лютеинизирующего гормонов, общего тестостерона и объем эякулята, а точность прогноза хромосомных аномалий составила более 95%. На основе данных об образе жизни и особенностях окружающей среды методы интеллектуального анализа данных также могут использоваться для прогнозирования качества семени. Разработаны две специфические нейронные сети для прогнозирования концентрации и подвижности сперматозоидов человека на основе факторов окружающей среды и образа жизни, оцененного с помощью анкетирования [15]. Хотя этот метод не является альтернативой более дорогостоящим лабораторным исследованиям, он может быть полезным инструментом для ранней диагностики. Исследователи использовали 5 методов ИИ для прогнозирования коэффициента фертильности у человека и применили 8 методов отбора признаков, чтобы найти соответствующие атрибуты, которые могут более точно предсказать коэффициент фертильности мужчин [16]. Выбор функции может улучшить производительность, визуализировать данные для выбора модели, уменьшить размерность и эффективно удалить шум. Наконец, методы выбора характеристик повысили точность методов ИИ, а поддержка векторной машины плюс оптимизация набора частиц обеспечили более высокую точность и показатель площади под ROC-кривой AUC (94 и 0,932).

Отбор эмбриона. Точная оценка жизнеспособности эмбриона — главный фактор в максимальном увеличении частоты наступления беременности и оптимизации лечения методами ЭКО. В большинстве случаев эмбриологи отбирают эмбрионы или ооциты с помощью неинвазивного исследования, основанного на визуальном наблюдении, ориентированном на морфологию и динамическое развитие на стадии бластоцисты. Оценка эмбрионов является субъективной и, следовательно, может варьироваться между наблюдателями в связи с различием систем оценки эмбрионов, а также опыта и знаний эмбриологов. Внедрение автоматического морфологического анализа эмбрионов или бластоцист в сочетании с ИИ является привлекательной возможностью. Предложен метод сегментации изображений и классификации изображений бластоцист человека с полуавтоматической оценкой. Авторы исследования обучили два классификатора SVM методам оценки качества внутренней клеточной массы (ICM) и трофэктодермы (TE). Путем расчета фрактальной размерности и средней толщины дескрипторов текстуры изображения TE и ICM хорошо охарактеризованы основные морфологические особенности бластоцисты [17].

Медицинский университет Вейля Корнелла разработал глубокую нейронную сеть под названием STORK, которая позволяет автоматизировать процесс лечения бесплодия с точки зрения оптимизации процесса отбора и переноса эмбрионов [18]. Метод покадровой визуализации используется для оценки наилучшего развития эмбриона (рисунок). Он позволяет с использованием ИИ фиксировать анеуплоидию (аномалию) хромосом эмбрионов, которые приводят к бесплодию.

Классификация изображений бластоцисты с использованием искусственного интеллекта [18].

Classification of blastocyst images using artificial intelligence [18].

Прогноз исхода ЭКО. Сегодня многие пары с бесплодием пытаются воспользоваться методами ВРТ. Однако из-за низких показателей наступления клинической беременности и высокой стоимости лечения многие бесплодные семьи находятся под огромным давлением. Функциональная модель прогнозирования результатов ЭКО на основе ИИ позволит персонифицировать лечение субфертильных пар и улучшить исход беременности, наступившей вследствие применения методов ВРТ. Точность предсказания предыдущих исследований варьируется от 59 до 84,4%, поэтому из-за этого и из-за других проблем модели не могут быть эффективно применены в клинической практике. Еще в одном исследовании авторы использовали ретроспективные данные о результатах циклов ЭКО/ИКСИ (интрацитоплазматическая инъекция сперматозоида), чтобы предсказать результат с показателем AUC более 80%. Они обнаружили, что возраст женщины, количество развившихся эмбрионов и уровень эстрадиола в сыворотке на день введения хорионического гонадотропина человека оказались оптимальными прогностическими признаками [19]. Ограничения данной работы включали малое количество исследуемых и пропущенные значения, которые снижали точность классификаторов. Целью будущих исследований будет разрешение этих трудностей.

В России сейчас ИИ и машинное обучение применяются в различных областях медицины и позволяют решать круг различных задач. С каждым годом области применения расширяются, а количество решаемых с помощью ИИ задач в этой отрасли растет.

Первой областью применения ИИ в медицине была диагностика, в которой он использовался для выявления заболеваний на ранней стадии, установлении и уточнении диагноза. Началось все с анализа медицинских изображений ультразвукового исследования, компьютерных и магнитно-резонансных томограмм и рентгенограмм. Врачи в автоматическом режиме обрабатывают изображения, отфильтровывают норму и классифицируют оставшиеся снимки по различным патологиям. Кроме того, врачи могут получать детализированную и полезную информацию в виде трехмерных изображений прямо на свои экраны. Разработанные алгоритмы учатся предсказывать развитие инсульта или метастазов до их фактического появления, патологические изменения на глазном дне и прочее [10]. На основе набора симптомов пациентов системы ИИ участвуют в поддержке принятия решений, предлагая список возможных диагнозов [20].

Еще одной областью применения ИИ в медицине является наблюдение за пациентом и медицинским персоналом. Особенно актуально это стало во время эпидемии COVID-19. Например, системы интеллектуального анализа изображений наблюдают за пациентами и определяют, сколько раз за сутки он поменял положение [21]. Для эффективного лечения пациентов с коронавирусом необходимо отслеживать их физическую активность в течение дня, ведь нахождение в лежачем положении ухудшает циркулирование воздуха в легких более чем в два раза и увеличивает риск развития пневмонии. Такая система контролирует количество посещений больных медработниками и наличие у них правильных защитных костюмов от COVID-19.

Активно развиваются проекты использования ИИ в фармакотерапии [22, 23]. Проблема в этой области заключается в том, что время на разработку и вывод на рынок нового лекарственного средства сейчас может занимать до 12 лет. Препараты — это сложнейшие органические соединения, поиск структуры которых ведется почти вслепую. Исследователь меняет молекулы в исходном соединении и проверяет реакцию организма подопытного животного на новое вещество. И так до тех пор, пока будет достигнут оптимальный результат. После начинаются клинические испытания. Перед выходом на рынок лекарственный препарат проходит многочисленные проверки контролирующих органов. Но даже самые тщательные испытания не дают гарантии того, что он будет эффективным. ИИ позволит точнее моделировать лекарства, ученый будет задавать желаемые свойства химического соединения, а компьютер будет формировать необходимую молекулярную структуру.

Первые отечественные решения для различных отраслей медицины с применением технологии ИИ появились сравнительно недавно. Так, лаборатория ПАО «Сбербанк России» разработала модель ИИ для анализа маммографических снимков, которая внедрена в практику после того, как успешно прошла испытания в ОГАУЗ «Томский областной онкологический диспансер» [24]. В ООО «Интелоджи» разработана платформа Botkin.AI для обработки и анализа медицинских изображений, основанная на технологиях ИИ [25]. Аналогично ООО «Платформа Третье Мнение» предоставляет ИИ-продукты для распознавания патологии на медицинских изображениях и мониторинга безопасности пациентов [26]. Следует также отметить, что все названные технологии эффективно задействованы при диагностике и лечении COVID-19 [27]. Например, показана высокая чувствительность системы Botkin.AI при определении основных синдромов, характерных для вирусных пневмоний. В апреле 2020 г. система поддержки принятия врачебных решений, предикативной аналитики и управления рисками в здравоохранении на основе технологии ИИ Webiomed [28], разработанная резидентом Фонда «Сколково» ООО «К-Скай», получила регистрацию Росздравнадзора, став таким образом первым медицинским изделием на основе ИИ, успешно прошедшим технические и клинические испытания и разрешенным к применению в Российской Федерации. Система дает оценку рисков развития заболеваний, таких как суммарный риск развития атеросклероза и его осложнений, риск тромбоэмболических осложнений при нарушениях ритма сердца, риск остановки сердца у госпитализированных пациентов, степени тяжести внебольничной пневмонии и т.д. На основе этих оценок система формирует рекомендации по определению тактики ведения пациента. В новую версию системы поддержки принятия врачебных решений Webiomed.DHRA добавлен алгоритм, помогающий врачам определить перинатальный риск. Перечисленные выше решения с использованием ИИ потенциально могут быть применены к задачам репродуктивной медицины, однако это еще требует проведения большого объема работы.

Но уже сейчас компания ЗАО «СП. АРМ», которая является единственным в России сертифицированным консультантом HIMSS (Healthcare Information and Management Systems Society) Analytics (международного независимого эксперта в области качества информатизации медицинской помощи), разработала и поддерживает полнофункциональную медицинскую информационную систему qMS (МИС qMS) [29], в состав которой входит компонент ВРТ (ЭКО). МИС qMS внедрена более чем в трехстах клиниках, больницах, лабораториях Красноярского края, Рязанской области и Камчатского края.

Вместе с тем можно заключить, что на сегодняшний день в России недостаточно решений по применению технологии ИИ в области репродуктивной медицины.

В целях обеспечения ускоренного развития ИИ в Российской Федерации, проведения научных исследований в области ИИ, повышения доступности информации и вычислительных ресурсов для пользователей, совершенствования системы подготовки кадров в этой области Указом Президента РФ от 10 октября 2019 г. №490 «О развитии искусственного интеллекта в Российской Федерации» утверждена Национальная стратегия развития ИИ на период до 2030 г. Эта стратегия предполагает стимулирование использования технологии ИИ во многих отраслях, в том числе и в медицине. В указе также поставлена задача создания отдельного федерального проекта «Искусственный интеллект» в рамках национальной программы «Цифровая экономика Российской Федерации». Его паспорт разработан и утвержден президиумом Правительственной комиссии по цифровому развитию, использованию информационных технологий для улучшения качества жизни и условий ведения предпринимательской деятельности 27 августа 2020 г. Срок реализации проекта с 1 января 2021 г. по 31 декабря 2024 г.

Согласно задаче 7.1 «Обеспечение внедрения технологии искусственного интеллекта в здравоохранении», предполагается:

1. В 2021 г. разработать стратегию и дорожную карту по внедрению ИИ в отрасли и внести изменения в ведомственную программу цифровой трансформации в части внедрения ИИ и подготовки дата-сетов. Дорожная карта включает в себя следующее:

1.1. В деятельность ФОИВ внедрить ИИ-решения, в том числе: вертикально-интегрированные медицинские системы по профилям онкология, сердечно-сосудистые заболевания, профилактика, акушерство и гинекология, внедрить технологии анализа популяционных медицинских данных, построения предиктивных моделей на основе больших данных, распознавания и оцифровки медицинских данных.

1.2. Обеспечить сбор, обработку, хранение и предоставление доступа к отраслевым наборам данных, в том числе по темам: 1) «озеро медицинских данных» (документов, изображений и результатов инструментальных исследований) для разметки; 2) разметка медицинских документов, изображений, результатов диагностических исследований (к 2024 г. 100 наборов данных); 3) машинное обучение и тестирование математических моделей; 4) создание продуктов и сервисов на основе технологии искусственного интеллекта.

1.3. Обеспечить поддержку внедрения ИИ в медицинские организации, в том числе внедрение следующих сценариев: 1) ранняя диагностика и снижение риска развития заболевания; 2) поддержка диагностики заболеваний по медицинским снимкам; 3) оптимизация индивидуального плана лечения; 4) предсказание состояния пациента на основе имеющихся о нем данных; 5) голосовое заполнение медицинской документации, проверка точности, полноты и орфографии электронных медицинских записей.

1.4. Обеспечивающие меры: 1) разработать стандарты по использованию ИИ в здравоохранении, разработать правовые основы применения ИИ в здравоохранении, разработать порядок регистрации медицинских изделий на основе технологии ИИ; 2) создать методический центр Минздрава для поддержки и координации разметки медицинских документов, подготовки медицинских наборов данных.

1.5. Достигнуть следующих показателей: 1) к 2024 г. подготовить не менее 100 наборов размеченных данных, извлеченных из медицинских документов, изображений, результатов диагностических исследований; 2) количество медицинских работников, прошедших обучение технологиям работы с большими данными, к 2024 г. должно составить 2000 человек; 3) количество медицинских изделий, медицинских информационных систем и сервисов с применением технологии ИИ, внедренных в более 60% медицинских организациях государственной и муниципальной форм собственности, должно быть не менее 20 в 2024 г.: 2021 — 0; 2022 — 5; 2023 — 10; 2024 — 20.

Как видно, выполнение пункта 1.5 задачи позволит решить проблему нехватки размеченных наборов данных, вынесенную как основную при внедрении ИИ в отрасль здравоохранения (см. п. 2.5). Представляется целесообразным и эффективным для решения этой задачи создать единую базу медицинских данных в области репродуктивной медицины, которая инициировала бы формат краудсорсинга среди медицинских специалистов в данной области.

Согласно задаче 2.1 Федерального проекта «Искусственный интеллект», «Поддержка исследовательских центров в сфере ИИ, в том числе в области «сильного» ИИ, доверенного системного программного обеспечения в области ИИ и этических аспектов в области ИИ», уже в 2021 г. предполагается создание 6 таких центров.

21 апреля 2021 г. в своем Послании к Федеральному Собранию Президент России В.В. Путин назвал демографию и повышение рождаемости самой острой проблемой страны, требующей скорейшего решения. В связи с этим необходимо создание в России опорного исследовательского центра по применению ИИ в области репродуктивной медицины.

Таким образом, мероприятия по внедрению ИИ в сферу здравоохранения согласно Федеральному проекту напрямую включают те, что будут способствовать ускоренному развитию технологии ИИ в репродуктивной медицине. Выполнение поставленных задач до 2024 г., несомненно, позволит существенно увеличить качество медицины и здравоохранения, а также сделать медицинскую помощь пациентоориентированной.

Создание опорного исследовательского центра по применению ИИ в области репродуктивной медицины будет способствовать решению проблемы повышения рождаемости.

Исходя из всего сказанного выше, следует отметить, что такое приоритетное для будущего человечества направление как репродуктивная медицина в значительной мере нуждается в современной технологии ИИ. В сферах гинекологии, репродуктологии и эмбриологии разработки с использованием ИИ и машинного обучения помогут усовершенствовать программы ВРТ и обеспечить рождение здорового ребенка.

Активное использование ИИ в репродуктивной медицине и создание на этой базе новых решений для людей наблюдается за рубежом, в особенности в США, Европе, Китае, Канаде, Южной Корее и др. Анализ показывает, что нейронные сети активно используются в оценке и отборе ооцитов, анализе спермы, отборе эмбрионов, а методы машинного обучения — в прогнозе результатов экстракорпорального оплодотворения. Точность работы моделей растет с каждым годом. Методы ИИ необходимо продолжать исследовать как перспективное средство для улучшения выбора эмбрионов и прогнозирования результатов имплантации и беременности.

В то же время в России ИИ в медицине используют только несколько компаний (ПАО «Сбербанк России», ООО «Интелоджи», ООО «Платформа Третье Мнение», ООО «К-Скай», ЗАО «СП. АРМ») и только в нескольких регионах. Имеющийся задел, как представляется, позволит в будущем решить и задачи репродуктивной медицины. Вместе с тем можно сделать вывод о значительном отставании России от других стран в использовании ИИ в репродуктивной медицине.

Для ускорения развития ИИ в России и применения его в разных отраслях экономики и народного хозяйства в 2019 г. принята национальная стратегия развития ИИ на период до 2030 г., а уже 27 августа 2020 г. в рамках национальной программы «Цифровая экономика Российской Федерации» принят паспорт Федерального проекта «Искусственный интеллект» на период с 2021 по 2024 г. Среди других направлений в сфере развития медицины и здравоохранения в паспорте Федерального проекта «Искусственный интеллект» значится создание медицинских систем на базе ИИ по профилю акушерство и гинекология.

Заключение

Для реализации целей Национальной стратегии развития искусственного интеллекта, Федерального проекта «Искусственный интеллект» в области репродуктивной медицины и решения проблемы демографии и повышения рождаемости в стране необходимо создание единой базы медицинских данных как основы искусственного интеллекта в этой сфере, а также опорного исследовательского центра по применению искусственного интеллекта в области репродуктивной медицины.

Авторы заявляют об отсутствии конфликта интересов.

The authors declare no conflicts of interest.