Diseño y desarrollo de un sistema para predecir el potencial de implantación embrionaria en blastocistos desvitrificados.

Abstract

[ES] La baja natalidad y el aumento de la esperanza de vida se presentan como un problema social y económico a largo plazo a nivel global. La baja natalidad está relacionada, en gran medida, con el incremento de la infertilidad en la población debido a diferentes factores sociales, ambientales y económicos, lo que lleva cada día a más parejas a recurrir a tratamientos de reproducción asistida. En este contexto, las transferencias de embriones congelados son cada vez más frecuentes, lo que conduce a la necesidad de optimizar su evaluación. Muchos de estos embriones no son capaces de recuperar sus características cuando vuelven a la temperatura ambiente, de manera que el análisis del periodo comprendido entre la descongelación y la transferencia podría resultar clave. La aplicación de inteligencia artificial sobre la información morfocinética de dicho periodo aportada por los incubadores time-lapse se plantea como una herramienta objetiva para identificar características que se relacionen con el potencial de implantación de estos embriones. El objetivo de este TFG es el desarrollo de modelos de deep learning capaces de caracterizar los embriones tras la desvitrificación. Esta información es necesaria de cara a evaluar la calidad y predecir el potencial de implantación del blastocisto. Para ello, se hará uso de una base de datos aportada por el Instituto Valenciano de Infertilidad que consta de imágenes de 1 a 6 horas post-desvitrificación y la información clínica asociada. Metodológicamente, se quiere hacer uso de redes neuronales convolucionales que caractericen la información presente en las imágenes. Además, se construirán modelos para la inclusión de los datos clínicos. El trabajo conllevará el desarrollo de algoritmos basados en técnicas de deep learning y la validación de los modelos obtenidos.

[EN] The low birth rate and the increase in life expectancy are presented as a long-term social and economic problem at a global level. The low birth rate is largely related to the increase of infertility in the population due to different social, environmental and economic factors, which leads more and more couples to resort to assisted reproduction treatments. In this context, frozen embryo transfers are becoming more and more frequent, leading to the need to optimise their evaluation. Many of these embryos are not able to recover their characteristics when they return to room temperature, so analysis of the period between thawing and transfer could be key. The application of artificial intelligence on the morphokinetic information provided by time-lapse incubators during this period is proposed as an objective tool to identify characteristics related to the implantation potential of these embryos. The aim of this TFG is the development of deep learning models capable of characterising embryos after devitrification. This information is necessary in order to assess the quality and predict the implantation potential of the blastocyst. For this purpose, we will make use of a database provided by the Instituto Valenciano de Infertilidad that consists of images from 1 to 6 hours post-devitrification and the associated clinical information. Methodologically, convolutional neural networks will be used to characterise the information present in the images. In addition, models will be built for the inclusion of clinical data. The work will involve the development of algorithms based on deep learning techniques and the validation of the models obtained.