Novel and conventional embryo parameters as input data for artificial neural networks: an artificial intelligence model applied for prediction of the implantation potential

Abstract

[ES] Objetivo: Describir nuevas características de embriones capaces de predecir el potencial de implantación como datos de entrada para un modelo de red neuronal artificial (ANN).

Diseño: Estudio de cohorte retrospectivo.

Entorno: Centro de FIV privado afiliado a la universidad.

Paciente (s): Este estudio incluyó a 637 pacientes del programa de donación de ovocitos que se sometieron a transferencia de un solo blastocisto durante dos años consecutivos. Intervención (es): Ninguna.

Principales medidas de resultado: La investigación se dividió en dos fases. La fase 1 consistió en la descripción y análisis de las siguientes características embrionarias en embriones implantados y no implantados: distancia y velocidad de migración pronuclear, diámetro del blastocisto expandido, área de masa celular interna y duración del ciclo celular del trofoectodermo. La fase 2 consistió en el desarrollo de un algoritmo ANN para la predicción de la implantación. Se obtuvieron resultados para cuatro modelos alimentados con diferentes datos de entrada. El poder predictivo se midió con el uso del área bajo la curva característica operativa del receptor (AUC).

Resultado (s): De los cinco nuevos parámetros descritos, el diámetro expandido del blastocisto y la duración del ciclo celular del trofoectodermo tenían valores estadísticamente diferentes en los embriones implantados y no implantados. Después de que los modelos ANN fueron entrenados y validados mediante validación cruzada cinco veces, estos fueron capaces de predecir la implantación en los datos de prueba con AUC de 0,64 para ANN1 (morfocinética convencional), 0,73 para ANN2 (morfodinámica novedosa), 0,77 para ANN3 (morfocinética convencional þ morfodinámica novedosa) y 0,68 para ANN4 (variables discriminatorias de prueba estadística).

Conclusión (es): Las nuevas características embrionarias propuestas afectan al potencial de implantación y su combinación con parámetros morfocinéticos convencionales es eficaz como datos de entrada para un modelo predictivo basado en inteligencia artificial.

[EN] Objective: To describe novel embryo features capable of predicting implantation potential as input data for an artificial neural network (ANN) model.

Design: Retrospective cohort study. Setting: University-affiliated private IVF center.

Patient(s): This study included 637 patients from the oocyte donation program who underwent single-blastocyst transfer during two consecutive years.

Intervention(s): None.

Main Outcome Measure(s): The research was divided into two phases. Phase 1 consisted of the description and analysis of the following embryo features in implanted and nonimplanted embryos: distance and speed of pronuclear migration, blastocyst expanded diameter, inner cell mass area, and trophectoderm cell cycle length. Phase 2 consisted of the development of an ANN algorithm for implantation prediction. Results were obtained for four models fed with different input data. The predictive power was measured with the use of the area under the receiver operating characteristic curve (AUC).

Result(s): Out of the five novel described parameters, blastocyst expanded diameter and trophectoderm cell cycle length had statistically different values in implanted and nonimplanted embryos. After the ANN models were trained and validated using fivefold cross validation, they were capable of predicting implantation on testing data with AUCs of 0.64 for ANN1 (conventional morphokinetics), 0.73 for ANN2 (novel morphodynamics), 0.77 for ANN3 (conventional morphokinetics thorn novel morphodynamics), and 0.68 for ANN4 (discriminatory variables from statistical test).

Conclusion(s): The novel proposed embryo features affect the implantation potential, and their combination with conventional morphokinetic parameters is effective as input data for a predictive model based on artificial intelligence. ((c) 2020 by American Society for Reproductive Medicine.)