Deep Learning for the Automation of Embryo Selection in an In Vitro Fertilization Laboratory

Abstract

[ES] La aplicación de la inteligencia artificial (IA) en reproducción asistida aborda el complejo panorama de la infertilidad, una patología prevalente que afecta a un porcentaje significativo de la población en edad reproductiva. Los avances en medicina reproductiva, marcados por hitos como la fecundación in vitro (FIV) y la microinyección intracitoplasmática de espermatozoides (ICSI), han dado lugar al desarrollo de técnicas de reproducción asistida (TRA). Aunque la transferencia múltiple de embriones (MET) se ha empleado tradicionalmente para aumentar las posibilidades de embarazo, conlleva riesgos. Por ello, las técnicas de selección embrionaria han despertado un creciente interés. La introducción de incubadores con tecnología time-lapse permitió analizar embriones sin alterar las condiciones de cultivo y supuso la introducción de los primeros algoritmos de selección embrionaria. En consecuencia, desarrollar e incluir enfoques de IA es el reto actual. Esta tesis aborda retos del mundo real en el campo de la embriología mediante la aplicación de métodos de aprendizaje profundo. El objetivo final es diseñar, desarrollar y validar herramientas que apoyen la rutina diaria en un laboratorio de FIV, mejorando en última instancia las tasas de éxito en las clínicas de reproducción asistida. La complejidad de las tareas resueltas aumenta sistemáticamente, proporcionando un conocimiento consistente basado en la embriología. Los objetivos específicos consisten en resolver tareas concretas con diferentes metodologías y explorar técnicas novedosas de IA. Las tareas incluyen la fecundación, la viabilidad, la calidad y la predicción de euploides. Los enfoques técnicos abarcan la automatización, segmentación, aprendizaje contrastivo supervisado y técnicas de transferencia inductiva. Los resultados contribuyen al campo de la embriología, mostrando aplicaciones potenciales de metodologías innovadoras de IA. Los objetivos futuros introducen una integración coherente en los laboratorios de embriología, teniendo en cuenta las condiciones clínicas reales, contribuir a mejorar las tasas de éxito en las clínicas de reproducción asistida, y explorar en mayor profundidad técnicas no-invasivas para el análisis genético.

[CA] L'aplicació de la intel·ligència artificial (IA) en reproducció assistida aborda el complex panorama de la infertilitat, una patologia prevalent que afecta un percentatge significatiu de la població en edat reproductiva. Els avanços en medicina reproductiva, marcats per fites com la fecundació in vitro (FIV) i la microinjecció intracitoplasmàtica d'espermatozoides (ICSI), han donat lloc al desenvolupament de tècniques de reproducció assistida (TRA). Encara que la transferència múltiple d'embrions (MET) s'ha emprat tradicionalment per a augmentar les possibilitats d'embaràs, comporta riscos. Per això, les tècniques de selecció embrionària han despertat un creixent interés. La introducció d'incubadors amb tecnologia time-lapse va permetre analitzar embrions sense alterar les condicions de cultiu i va suposar la introducció dels primers algorismes de selecció embrionària. En conseqüència, desenvolupar i incloure enfocaments de IA és el repte actual.

Esta tesi aborda reptes del món real en el camp de l'embriologia mitjançant l'aplicació de mètodes d'aprenentatge profund. L'objectiu final és dissenyar, desenvolupar i validar eines que donen suport a la rutina diària en un laboratori de FIV, millorant en última instància les taxes d'èxit en les clíniques de reproducció assistida. La complexitat de les tasques resoltes augmenta sistemàticament, proporcionant un coneixement consistent basat en l'embriologia. Els objectius específics consistixen a resoldre tasques concretes amb diferents metodologies i explorar tècniques noves de IA. Les tasques inclouen la fecundació, la viabilitat, la qualitat i la predicció d'euploides. Els enfocaments tècnics inclouen automatització, segmentació, aprenentatge contrastiu supervisat i tècniques de transferència inductiva. Els resultats contribuïxen al camp de l'embriologia, mostrant aplicacions potencials de metodologies innovadores de IA. Els objectius futurs introduïxen una integració coherent en els laboratoris d'embriologia, tenint en compte les condicions clíniques reals, contribuir a millorar les taxes d'èxit en les clíniques de reproducció assistida, i explorar en major profunditat tècniques no-invasives per a l'anàlisi genètica

[EN] The application of artificial intelligence (AI) in assisted reproduction addresses the complex landscape of infertility, a prevalent condition affecting a significant percentage of the reproductive-age population. Advances in reproductive medicine, marked by milestones such as in vitro fertilization (IVF) and intracytoplasmic sperm microinjection (ICSI), have led to the development of assisted reproduction techniques (ART). While multiple embryo transfer (MET) has traditionally been employed to increase pregnancy chances, it carries risks. Therefore, embryo selection techniques have suffered a rapid increase in interest. The introduction of incubators with time-lapse technology allowed embryo analysis without disturbing culture conditions and involved the introduction of the first embryo selection algorithms. Consequently, developing and including AI approaches is the current challenge.

This thesis addresses real-world challenges in the embryology field by applying deep learning methods. The final goal is to design, develop, and validate tools that support the daily routine in an IVF laboratory, ultimately improving success rates in assisted reproductive clinics. The complexity of the solved tasks increases systematically, providing consistent knowledge based on embryology. Specific goals involve solving concrete tasks with different methodologies and exploring novel AI techniques. The tasks include fecundation, viability, quality, and prediction of euploid embryos. The technical approaches encompass automation, segmentation, supervised contrastive learning, and inductive transfer techniques. The findings contribute to the field of embryology, showcasing potential applications of innovative AI methodologies. Future goals introduce consistent integration into embryology laboratories, taking into account real clinical conditions, contributing to improved success rates in assisted reproduction clinics, and further exploring non-invasive techniques for genetic analysis.