L'intelligence artificielle pour la fécondation in-vitro

L’intelligence artificielle pour la fécondation in-vitro

Les applications de l’intelligence artificielle dans le domaine de la santé sont nombreuses et variées. Elles reposent souvent sur la computer vision et l’imagerie médicale. L’IA assiste les docteurs pour les diagnostics de cancers, pour des calculs d’âges osseux ou encore pour analyser des séquences ADN.

L'intelligence artificielle pour la fécondation in-vitro

Récemment, j’ai découvert une application assez intéressante de la computer vision dans le monde de la santé. Il s’agit de faciliter la fécondation in-vitro et augmenter les chances de réussite. Cette technique permet aux embryologistes de prendre une décision en se reposant sur des métriques objectives calculées par un modèle de computer vision.

Je vous explique comment ça marche dans cet article!

Comment fonctionne la fécondation in-vitro ?

L’infertilité est un problème mondial qui touche 186 millions de personnes, et chaque année le taux d’Européens victimes d’infertilité augmente de 8 à 9%. En France il concerne environ 1 couple sur 6.

Pour de nombreux couples le seul espoir d’avoir un enfant réside dans la fécondation in-vitro (FIV). Cette opération consiste à cultiver, en laboratoire, des cellules issues de la rencontre entre des spermatozoïdes et un ovule, puis de les injecter directement dans l’utérus.

Le processus de développement des cellules est suivi en laboratoire, à travers un appareil qui permet de reproduire les conditions de développement parfaites, tout en permettant aux médecins de surveiller le processus en continu (de manière non-invasive). Cet outil permet d’avoir ce type de séquences qui montrent l’état de l’embryon à intervalles de temps réguliers. On parle d’imagerie par time-lapse (ITL) :

L'intelligence artificielle pour la fécondation in-vitro
Time-lapse embryo

Les médecins cultivent souvent plusieurs embryons, surveillent leurs développement et décident à la fin du processus le quel sera injecté. C’est une technique couteuse, complexe à mettre en oeuvre et difficile à supporter émotionnellement.

Le taux de réussite d’une FIV est d’environ 35%, et ne progresse que très lentement depuis les années 2000. De plus, beaucoup de couples doivent réitérer le procédé plusieurs fois et toujours sans aucune garantie.

La computer vision permet de sélectionner le « bon » embryon

Les images extraites pendant la culture permettent aux professionnels de déterminer quel embryon est le plus susceptible de conduire à une grossesse. Cette sélection repose sur l’expérience et les connaissances du médecin, et les critères ne sont pas toujours objectifs. D’ailleurs, on observe une grande variabilité dans les choix d’embryon faits par les médecins.

Comme de nombreuses techniques médicales, la fécondation in-vitro pourrait bénéficier des progrès récents faits dans le domaine de la computer vision.

Les techniques de computer vision modernes peuvent permettre d’objectiver ce choix en calculant, pour chaque embryon, un score qui donnera la probabilité que cet embryon mène à une grossesse.

Pour faire cette prédiction, on utilise des réseaux de neurones de convolution (avec une architecture ResNet ou U-Net par exemple) que l’on combine à une approche temporelle (de type LSTM). Les modèles de convolution permettent d’extraire des features pour chaque image de la séquence, et les modèles temporels permettent de quantifier la relation entre les frames.

Ces modèles sont entraînés soit avec des données annotées par des professionnels, soit avec des données pour lesquels on connait l’issu du processus (grossesse ou non).

L’une des start-up qui travaillent sur ce sujet est ImVitro. C’est une start-up française qui propose aux embryologistes et aux hôpitaux un modèle de computer vision, qui leur permet de classer les embryons en fonction de leur qualité.

L'intelligence artificielle pour la fécondation in-vitro
Plateforme SaaS ImVitro

Pour plus de détails techniques je vous renvoie à ce papier : apprentissage profond appliqué à la classification d’images microscopiques embryonnaires.

Conclusion : limites

Bien que prometteuse, cette technique a ses limites. D’abord, même si techniquement les modèles utilisés sont assez classiques et ne présentent aucune nouveauté, la quantité de données disponibles est faible, et leur utilisation est réglementée du fait de leur sensibilité.

Par ailleurs, on ne veut pas seulement avoir un score de confiance pour chaque embryon mais on veut que ce score soit explicable et qu’il repose sur des métriques mesurables. On retrouve ici le fameux dilemme performance-interpetabilité.