Искусственный интеллект (ИИ) демонстрирует значительный потенциал в повышении эффективности вспомогательных репродуктивных технологий, особенно экстракорпорального оплодотворения (ЭКО), где точная оценка качества спермы и эмбрионов остается ключевым фактором клинического успеха. Уровень успешных исходов ЭКО глобально редко превышает 40%, что делает разработку объективных и надежных методов оценки и прогнозирования критически важной задачей современной репродуктивной медицины.
Систематический обзор 2025 г. включал 27 исследований. Из них в 17 исследованиях применяли модели глубокого обучения для прогнозирования реакции на лечение, а две работы использовали нейронные сети для прогнозирования успешности ЭКО, демонстрируя высокие показатели классификационной способности. Восемь исследований показали эффективность классических алгоритмов машинного обучения, таких как наивный байесовский классификатор (Naive Bayes classifier, NB), метод опорных векторов (Support Vector Machine, SVM) и метод случайного леса (Random Forest, RF), со средней площадью под ROC-кривой (Area Under the Curve, AUC) около 0,91 и точностью, чувствительностью и специфичностью в диапазоне 90–96%. Кроме того, некоторые работы рассматривают обучение с подкреплением (Reinforcement Learning, RL) как перспективный подход для оптимизации выбора эмбрионов и планирования лечения [1].
ИИ широко применяется для анализа эмбрионов на стадии бластоцисты с использованием таймлапс-изображений (съемки в режиме time-lapse). Алгоритмы выявляют морфокинетические особенности развития, которые сложно уловить при традиционной визуальной оценке, повышая объективность отбора для переноса и снижая риск выкидышей за счет точного определения эмбрионов с более высоким потенциалом имплантации [2].
Кроме того, ИИ активно используется для оценки качества спермы и яйцеклеток. Методы анализа морфологии и подвижности сперматозоидов, а также инженерные подходы (например, микрофлюидные каналы) позволяют выявлять параметры, связанные с потенциалом к оплодотворению, с высокой точностью, часто превосходя традиционную визуальную экспертизу. В обзоре отмечено, что оценка зрелых и незрелых яйцеклеток с помощью ИИ показывает точность порядка 60–80%, что указывает на необходимость дальнейшей оптимизации моделей [3].
ИИ модели способны использовать комплексные клинические и лабораторные данные для прогнозирования исходов ЭКО, включая вероятность наступления беременности. Высокие значения площади под ROC-кривой, характеризующей способность модели различать положительные и отрицательные исходы, свидетельствуют о том, что модели эффективно интегрируют многофакторную информацию для прогнозирования клинического успеха [4].
Несмотря на перспективность, существуют ограничения, препятствующие широкому внедрению ИИ в клиническую практику. Основные проблемы включают необходимость доступа к большим и разнообразным наборам данных, что важно для надежности и обобщаемости моделей; интерпретируемость сложных алгоритмов, чтобы врачи могли доверять и использовать рекомендации ИИ в принятии решений; а также этические и регуляторные аспекты, включая защиту персональных данных, стандартизацию протоколов и обучение специалистов работе с ИИ-инструментами.
Таким образом, современные исследования подтверждают, что ИИ способен усовершенствовать оценку качества спермы и эмбрионов, повысить объективность отбора и прогнозирования, а также оптимизировать процессы ЭКО. Для широкого клинического применения требуется дальнейшее накопление доказательств эффективности моделей в различных популяциях, разработка стандартов валидации и регулирование этических вопросов использования ИИ в репродуктивной медицине.
Литература
1. Кaveh S, Ghaffari A, Sohrabei S. Investigating artificial intelligence in predicting and evaluating sperm and embryo quality in the in vitro fertilization (IVF): a systematic review. Discover Artificial Intelligence. 2025.
2. Boucret L, Chabrun F, Boguenet M et al. Deep-learning model for embryo selection using time-lapse imaging of matched high-quality embryos. Scientific Reports. 2025.
3. Liang B, Wang M. Deep learning-based approach for sperm morphology analysis. BMC Urology. 2025.
4. Duval A, Nogueira D, Dissler N et al. A hybrid artificial intelligence model leverages multi-centric clinical data to improve fetal heart rate pregnancy prediction across time-lapse systems. Human Reproduction. 2023.
