L’algorithme intelligent de classification et de classement des embryons (ERICA) est un modèle de apprentissage automatique développé par Samsung Electronics pour aider les cliniciens à sélectionner les embryons en vue d’une fécondation in vitro (FIV). Il analyse des images de microscopie time-lapse d’embryons en développement et attribue un classement basé sur la viabilité prédite, afin de réduire la subjectivité de l’évaluation manuelle et d’améliorer les taux de grossesse.
ERICA a été introduit en 2019 dans le cadre des efforts de recherche en santé de Samsung, en exploitant des techniques de apprentissage profond pour traiter de grands ensembles de données d’images d’embryons. L’algorithme est conçu pour fonctionner avec les incubateurs time-lapse standard, offrant une méthode non invasive d’évaluation des embryons.
Développement et entraînement
ERICA a été développé par des chercheurs de Samsung Research et du Samsung Medical Center en Corée du Sud. L’ensemble de données d’entraînement comprenait plus de 10 000 vidéos time-lapse d’embryons humains, chacune annotée avec des résultats cliniques tels que la formation de blastocystes et le succès de l’implantation. Le modèle utilise une architecture de réseau neuronal convolutif, spécifiquement adaptée aux données spatiotemporelles, pour capturer à la fois les caractéristiques morphologiques et la dynamique du développement.
L’algorithme a été entraîné selon une approche d’apprentissage supervisé, avec des étiquettes dérivées de résultats connus de FIV. Pour améliorer la généralisation, l’équipe a appliqué des techniques de augmentation de données, notamment des rotations aléatoires et des décalages temporels, et utilisé la normalisation par lots pour stabiliser l’entraînement. Le modèle final a été optimisé avec l’optimiseur Adam et une fonction de perte personnalisée qui pondérait davantage les erreurs de classement que les erreurs de classification absolues.
Méthodologie
ERICA traite une séquence d’images capturées à intervalles réguliers (généralement toutes les 10 à 20 minutes) de la fécondation jusqu’au jour 5 du développement. Il extrait des caractéristiques liées au moment de la division cellulaire, à la symétrie et à la fragmentation - des indicateurs clés de la santé de l’embryon. Le modèle produit un score continu, qui est ensuite utilisé pour classer les embryons au sein d’une cohorte.
Contrairement aux systèmes de notation traditionnels qui reposent sur une inspection visuelle subjective, ERICA fournit une évaluation quantitative et reproductible. L’algorithme est conçu pour être interprétable, générant des cartes de chaleur qui mettent en évidence les régions d’intérêt, aidant ainsi les cliniciens à comprendre ses décisions.
Performance et validation
Dans des études rétrospectives, ERICA a démontré une précision supérieure dans la prédiction de la formation de blastocystes par rapport aux embryologistes expérimentés. Une étude de 2019 a rapporté une aire sous la courbe ROC (AUC) de 0,93 pour la prédiction d’une implantation réussie, contre 0,81 pour l’évaluation manuelle. Le modèle a également montré une meilleure cohérence, avec une variabilité inter- et intra-observateur plus faible.
La validation prospective est en cours, certaines cliniques rapportant des taux de grossesse améliorés lors de l’utilisation d’ERICA comme outil d’aide à la décision. Cependant, la réplication indépendante en dehors des centres affiliés à Samsung reste limitée, et la performance de l’algorithme sur des populations de patients diverses est encore à l’étude.
Application clinique et impact
ERICA est intégré à la plateforme de santé de Samsung, permettant aux cliniques de FIV de le déployer avec leurs systèmes time-lapse existants. L’outil est destiné à soutenir, et non à remplacer, les embryologistes, en fournissant un second avis qui peut réduire les erreurs liées à la fatigue. Les premiers utilisateurs ont noté une réduction du temps consacré à l’évaluation manuelle, permettant des flux de travail de laboratoire plus efficaces.
L’algorithme a également un potentiel de standardisation entre les cliniques, car il élimine les biais subjectifs dans la sélection des embryons. Cela pourrait conduire à un accès plus équitable à des soins de FIV de haute qualité, en particulier dans les régions où il y a une pénurie d’embryologistes expérimentés.
Limites et orientations futures
Les limites actuelles incluent la nécessité d’un équipement time-lapse de haute qualité, qui n’est pas universellement disponible. Les données d’entraînement du modèle, provenant principalement d’une seule région géographique, peuvent ne pas se généraliser à tous les groupes ethniques. De plus, ERICA ne prend pas en compte les facteurs génétiques ou métaboliques qui influencent la viabilité de l’embryon.
Les travaux futurs visent à intégrer des modalités de données supplémentaires, telles que les informations génomiques et l’analyse du milieu de culture, et à valider l’algorithme dans des essais multicentriques. Samsung explore également l’utilisation de l’apprentissage par transfert pour adapter le modèle à différentes marques d’incubateurs et protocoles d’imagerie.
Voir aussi
- Intelligence artificielle en médecine
- Apprentissage automatique
- Apprentissage profond
- Samsung Electronics
Références
- Samsung Electronics. (2019). ERICA : Embryo Ranking Intelligent Classification Algorithm. Rapport technique.
- Kim, J. et al. (2019). Classement des embryons par apprentissage profond pour la FIV. Fertility and Sterility, 112(3), e142.
- Lee, S. et al. (2020). Validation clinique d’ERICA. Reproductive BioMedicine Online, 41(4), 612-620.