Malgré des avancées significatives au cours des 25 dernières années, les taux de naissance en AMP restent variables et perfectibles. L’optimisation des méthodes d’évaluation de la qualité embryonnaire occupe une place de choix parmi les pistes envisagées pour maximiser les chances de succès pour les couples infertiles tout en limitant les risques de complication, l’objectif étant de disposer de méthodes robustes et non invasives pour mieux repérer les embryons à fort potentiel implantatoire et écarter les embryons à faible potentiel. 

Le time-lapse est une technologie apparue dans les laboratoires de FIV en 2010 permettant le suivi continu du développement embryonnaire tout en respectant des conditions de culture optimales. Cette évaluation dynamique a permis d’améliorer le pronostic embryonnaire en y introduisant de nouveaux marqueurs morpho-cinétiques, mais elle reste relativement chronophage et son bénéfice semble réel mais limité, notamment du fait de la variabilité inter et intra opérateur et de la difficulté d’intégrer l’énorme quantité de données générées par l’appareil (reference Reignier 2019).

Dans ce contexte, le développement des techniques basées sur l’intelligence artificielle (IA) offre des perspectives très prometteuses pour renforcer l’apport du time-lapse en FIV.  Brièvement, l’IA consiste à rendre un système informatique capable d’imiter le raisonnement intellectuel humain. Il devient alors capable « d’apprendre » et de découvrir de façon autonome des marqueurs d’intérêt, contrairement à la programmation informatique classique qui se contente d’exécuter des règles fixes prédéterminées.

A la différence des humains, les IA peuvent étudier objectivement et rapidement des milliers d’embryons pour découvrir et tester des marqueurs de qualité souvent inaccessibles à l’œil humain. On peut distinguer 2 principaux types d’IA en embryologie: celles qui annotent automatiquement la morphologie embryonnaire, statique ou dynamique dans le cadre du time-lapse (reference Chen 2019); et celles cherchant à prédire directement le potentiel implantatoire des embryons (reference Tran 2019)(reference Khosravi 2019(reference Chavez 2020). Ces systèmes apparus très récemment sur le marché semblent très prometteurs en association au time-lapse pour optimiser l’organisation du laboratoire et la qualité de l’évaluation embryonnaire, mais il convient de rester prudent sur leur intérêt en pratique quotidienne. En effet, il est nécessaire de porter un regard critique sur leur fonctionnement et leur validation clinique afin d’en connaitre les limites éventuelles.

Cependant, ces systèmes basés sur l’IA interviendront certainement de plus en plus comme outils d’aide à la décision pour le biologiste, dont le rôle évoluera mais restera toujours central.

Références

• Reignier A, Firmin J, Lammers J, Barriere P, Freour T. Le time-lapse : bilan et perspectives en 2019. Médecine de la Reproduction 21 (1), 17-23
• Chen T-J, Zheng W-L, Liu C-H, Huang I, Lai H-H, Liu M. Using Deep Learning with Large Dataset of Microscope Images to Develop an Automated Embryo Grading System. FandR. mars 2019;01(01):51‑6.
• Tran D, Cooke S, Illingworth PJ, Gardner DK. Deep learning as a predictive tool for fetal heart pregnancy following time-lapse incubation and blastocyst transfer. Human Reproduction. 4 juin 2019;34(6):1011‑8.
• Khosravi P, Kazemi E, Zhan Q, Malmsten JE, Toschi M, Zisimopoulos P, et al. Deep learning enables robust assessment and selection of human blastocysts after in vitro fertilization. npj Digit Med. déc 2019;2(1):21.
• Chavez-Badiola A, Flores-Saiffe-Farías A, Mendizabal-Ruiz G, Drakeley AJ, Cohen J. Embryo Ranking Intelligent Classification Algorithm (ERICA): artificial intelligence clinical assistant predicting embryo ploidy and implantation. Reproductive BioMedicine Online. oct 2020;41(4):585‑93.