Yardımlı Üreme Tekniklerinde Yapay Zeka Reproduktif Tıpta Tahmin Kodlaması: Yapay Zeka Araştırmaları Gelecekte Bizi Nereye Götürecek? Hassas Tıp ve Yapay Zeka: Genel Bakış ve Üreme Tıbbı İle İlgisi Embriyo Değerlendirmesinde Akıllı Sınıflandırma Algoritması (Erica): Embrıyo Plöidi ve İmplantasyonu Tahmin Eden Yapay Zeka Klinik Asistanı Artifisyel Nöral Network’e Yeni ve Konvansiyonel Embriyo Parametreleri İle Veri Girişi: İmplantasyon Potaniıyelinin Prediksiyonunda Kullanılan Yapay Zekâ Modeli In Vitro Fertilizasyonda Yapay Zekâ; Ovaryan Stimulasyon Yönetiminde Bilgisayar Karar Destek Sistemi
Mayıs 2021
Değerli Blast okurları, Pandeminin ülkemizde yeniden pik yaptığı bu dönemde yüz yüze yapamadığımız eğitim faaliyetlerinin boşluğunu TSRM online sempozyumlarımız, klasikleşmiş Çarşamba webinarlarımız ve karşınıza gelen blast bültenimizle kapatmaya çalışıyoruz. Hepimiz bunaldık ve yorulduk. Aşının yaygınlaşması ve akl-ı selim önlemlerle önümüzdeki günlerde bu badireyi atlatmayı umuyor ve bekliyoruz. Bu sayıda editörümüzün yer verdiği konular arasında üremeye yardımcı tekniklerde yapay zeka uygulaması yer alıyor. Keyifle okumanızı diliyorum. Süleymaniye EAH Tüp Bebek Merkezi’ nin tanıtımı da konular arasında ayrı bir yer alıyor. Sayıya katkıda bulunan ve emek veren tüm değerli uzmanlara teşekkürlerimi sunuyorum. Geçen sene ertelediğimiz ana kongremizi bu sene mümkünse yüz yüze, hibrit veya online olarak Kasım ayında gerçekleştireceğiz. Katılımlı olması en büyük dileğimiz, tüm yurt dışı konuşmacılardan yeniden onaylar alındı ve gerçek bir bilimsel şölen bizleri bekliyor. Buna birde bir araya gelmenin keyfide eklenirse gerçekten mükemmel olacak. Çarşamba günleri klasik webinarlarımz çok yüksek katılımla devam ediyor. Kapalı kaldığımız bugünleri değerlendirmek adına II. Başkanımız Prof. Dr. Barış Ata’ nın bilimsel programını oluşturduğu TSRM ONLINE Sempozlarına başlıyoruz. Her birinde derinlemesine bir konuyu çok yetkin ulusal ve uluslararası katılımcılarla tartışacağız. Çok seveceğinizden eminim. Güzel günlerde ve ana kongremizde buluşmak üzere sevgi ve saygılarımla. Prof. Dr. Ahmet Zeki Işık TSRM Başkanı
TSRM BLAST www.tsrm.org.tr Üreme Sağlığı ve İnfertilite Derneği
Sevgili Meslektaşlarımız, Yeni bir BLAST ile yine sizlerle birlikteyiz. Hepimizin bildiği gibi içinde bulunduğumuz çağ “veri çağı” olarak adlandırılmaktadır. Yaşamımızın her alanında artık veriler üzerine karar verip eylemlerimizi gerçekleştiriyoruz. Bu kapsamda da yapay zeka ve ilişkili teknolojiler de günlük yaşantımızın artık ayrılmaz bir parçası olmuş durumda. Evlerimizde, işlerimizde günlük yaşantımızın her aşamasında artık bu teknolojilerle içe yaşıyoruz. Genel olarak tıp alanı ve üreme endokrinolojisi de artık bu gelişmelerden nasibini almaya başladı. Bültenimizin bu sayısını da yapay zeka ile ilgili makale ve çalışmalara ayırdık. Öncelikle şunu belirtmek gerekir ki, yapay zekanın amacı insanın yerine geçmek değil, yapılan işlemleri daha verimli, etkin ve güvenilir yapmaktır. Benim düşünceme göre yapay zeka, özellikle hasta hekim ilişkilerinde çok önemli olan insani karar verme, iletişim ve empatinin yerini hiçbir zaman tam olarak alamayacağı yönündedir. Ancak yapay zekanın insan için yorucu, sıkıcı ve emek isteyen birçok işlemi daha verimli ve etkin bir şekilde gerçekleştirebileceği, bunları yaparken de fiziksel kısıtlamaların veya duygusal faktörlerin işleri hiçbir zaman olumsuz etkilemeyeceğini de bilmek gerekir. Özellikle IVF laboratuvarlarında kalite kontrolünden, sperm, oosit veya embriyo seçimine, klinik uygulamalarda ise ovaryan stimülasyonda hasta için kişiye özel tedavi belirlemekten, uygun protokol seçimi ve takibine kadar birçok konuda önümüzdeki yıllarda bu teknolojileri kullanacağımızı düşünüyoruz. Hepinize iyi okumalar diliyorum. Sevgi ve Saygılarımla, Prof. Dr. Ömer Erbil Doğan TSRM Yönetim Kurulu Üyesi Blast Dergi Editörü
TSRM BLAST www.tsrm.org.tr Üreme Sağlığı ve İnfertilite Derneği
TSRM BLAST www.tsrm.org.tr Üreme Sağlığı ve İnfertilite Derneği
TSRM BLAST www.tsrm.org.tr Üreme Sağlığı ve İnfertilite Derneği
VE ÇOK DAHA FAZLASINI İZLEYEBİLİRSİNİZ tsrm.webinar9.com
TSRM BLAST www.tsrm.org.tr Üreme Sağlığı ve İnfertilite Derneği
Kayıt için: www.tsrmonline.org
YardımlI Üreme Teknİklerİnde Yapay Zeka Artificial Intelligence in The Assisted Reproductive Techniques Özet: Yapay zeka (AI), son yıllarda birçok alanda deneysel aşamadan uygulama aşamasına geçerek hızlı bir gelişme göstermiştir. Öğrenme algoritmalarındaki gelişmeler ve büyük veri setlerinin kullanılabilirliği mevcut AI uygulamalarındaki gelişimlere katkıda bulunmuştur. Üremeye yardımcı teknikler (ART); bir dizi karmaşık adım ve birçok farklı değişken içerdiğinden yapay zeka yöntemlerinin uygulanması için ideal bir alandır. Yapay zeka algoritmaları sperm, oosit veya embriyoların kalitesini değerlendirmek, model oluşturmak ve sonuç olarak tedavi başarı oranını artırmayı amaçlamaktadır. Ancak bu modellerinin tahminleri körü körüne takip edilmemeli; modelin makul bir şekilde inşa edilip edilmediğini ve gerçek klinik senaryo ile uyumlu olup olmadığını her zaman dikkate alınmalıdır. Summary: Artificial intelligence (AI) has developed rapidly in many areas in recent years, moving from the experimental stage to the application stage. Advances in learning algorithms and the availability of large data sets have contributed to improvements in existing AI applications. The assisted reproductive techniques (ART) involve a series of complex steps and many different variables, so it is an ideal for the application of artificial intelligence methods. Artificial intelligence algorithms aim to evaluate the quality of sperm, oocytes or embryos and create a model and hence increase the success rate of treatment. These models should not be blindly followed, should always consider whether the model is reasonably constructed and compatible with the actual clinical scenario. Giriş Yapay zeka (Artificial Intelligence [AI]) terimi ilk olarak 1955 yılında Dartmouth Yaz Araştırma Projesi'nde; düşünen makineler hakkında fikirlerini açıklığa kavuşturmayı ve geliştirmeyi planlayan John McCarthy tarafından ortaya konulmuştur. Yapay zekâ, insan zekâsına özgü olan, algılama, öğrenme, çoğul kavramları bağlama, düşünme, fikir yürütme, sorun çözme, iletişim kurma, çıkarım yapma ve karar verme gibi yüksek bilişsel fonksiyonları veya otonom davranışları sergilemesi beklenen yapay bir işletim sistemidir. Günlük hayatta kullanılan konuşma-ses tanıma, yüz tanıma, bilgisayar oyunları, akıllı ses asistanı ve sürücüsüz araçlar AI uygulamaları arasında yer almaktadır. Mevcut AI uygulamalarındaki ilerlemelere rağmen, evrenselliğe ulaşmak hala önemli bir sorundur 1 . Tıbbi uygulamalarda yaygın olarak kullanılan iki ana AI yöntemi kategorisi vardır: Makine öğrenimi (machine learning [ML] ) ve doğal dil işleme (natural language processing [NLP]). Makine öğrenimi (ML), bilgisayar algoritmalarının bir dizi gözlemlenebilir öğe (input data - giriş verileri) ile başka bir değişken kümesi (output data -sonuç verileri) arasındaki ilişkiyi modellemesini sağlayan bir AI alt kümesidir 2 . Makine öğrenimi yöntemi; denetimli öğrenme, denetimsiz öğrenme ve pekiştirmeli öğrenme olarak farklı alt algoritmalara ayrılabilir. Bu algoritmalar, bilinen bir veri sonucunu tahmin edebilen modeller geliştirmek için etiketli eğitim verilerini kullanır. Denetimli öğrenme görüntü analizi ve tedavi sonuçları tahmininde başarıyla uygulanmaktadır. Çeşitli algoritmaları temel almaktadır: Karar ağacı (Decision tree [DT]), Rastgele orman (Random forest [RF]) Destek vektör makineleri (Support Vector Machines [SVM]) Naïve Bayes sınıflandırıcı
TSRM BLAST www.tsrm.org.tr Üreme Sağlığı ve İnfertilite Derneği
Yazan: Dr. Göktan Kuşpınar
Karar ağacı (DT) ve Rastgele orman (RF), sınıflandırma ve tahmin araçları olarak kullanılabilen güçlü algoritmalardır. Karar ağacı, ağaç yapısı oluşturan bir sınıflandırıcıdır; kök düğümler (root nodes) ve yaprak düğümler (leaf nodes) veya karar düğümleri (decision nodes) gibi çeşitli düğümlerden oluşur. Rastgele orman (RF) algoritması, bir sınıflandırıcı yerine birden çok sınıflandırıcı üreten ve sonrasında onların tahminlerinden alınan oylar ile yeni veriyi sınıflandıran öğrenme algoritmalarıdır 1 . Destek vektör makineleri (SVM), sınıflandırma ve regresyon analizi için verileri işleyebilen ve yaygın olarak kullanılan denetimli öğrenme modelleridir. Bu algoritma karmaşık doğrusal dağılım göstermeyen veriler arasındaki ilişkileri yakalayabilir ve istatistiksel öğrenme teorisine dayanır. Naïve Bayes sınıflandırıcısı, Bayes teoremine dayalı basitleştirilmiş bir sınıflandırıcıdır. Karmaşık problemlerin çözümünde doğruluk oranları yüksek, şeffaf ve kapsamlı bir algoritma olmasının yanısıra klasik ve iyi bilinen bir istatistiksel modeldir 3 . Denetimsiz öğrenme, bir veri kümesindeki temel yapıyı ve ilişkiyi bulmak için etiketlenmemiş verileri kullanır. İlişkilendirme ve kümeleme görevleri için güçlü bir araçtır. Denetimsiz öğrenme, temel bileşen analizi ve kümeleme algoritmalarını içerir ve en çok tercih edilen algoritmalar: Sinir ağları (Artificial neural networks [ANN]) , Derin öğrenme (Deep learning [DL]) İnsan beynindeki nöronlardan ilham alan sinir ağları, günümüzde yaygın kullanılan algoritmadır. Sinir ağı modelinin mimarisini katmanlar oluşturur. En basit olarak bir gizli katmanla beraber üç katmandan oluşan algoritma çok katmanlı algılayıcı (multilayer perceptron [MLP]) modelidir. Derin öğrenme, genellikle birden fazla gizli katmana sahip sinir ağlarını kullanır ve her katman, kendisinden önceki katmanlar için özellik oluşturma işlemini gerçekleştirir. Sinir ağıyla karşılaştırıldığında, derin öğrenme, daha gizli katmanlar kullanarak karmaşık yapılara sahip verileri işleyebilir. Derin öğrenme; tekrarlayan sinir ağı (recurrent neural network), derin inanç ağları (deep belief networks) ve evrişimli sinir ağı (convolutional neural network [CNN]) gibi birkaç farklı algoritma türünü içeren genel bir terimdir 3 . Yapay zeka algoritmalarının avantajları ve limitasyonları tablo 1 de özetlenmiştir. Yapay Zeka ve Üremeye Yardımcı Teknikler Üremeye yardımcı teknikler (ART); bir dizi karmaşık adım ve birçok farklı değişken içerdiğinden yapay zeka yöntemlerinin uygulanması için ideal ve geniş bir alandır. Son yıllarda, üreme tıbbı verilerinin sınıflandırılması veya tahminine; lojistik regresyon gibi klasik istatistiksel yöntemler uygulayarak veya farklı AI teknikleri kullanan çeşitli algoritmalar uygulanmıştır. Bu algoritmalar; sperm, oosit ve embriyoların kalitesini değerlendirmek, model oluşturmak ve sonuç olarak tedavi sonrası başarı oranını artırmayı amaçlamaktadır. Görüntü analizine sahip entegre bir AI bileşeni, sperm, oosit ve embriyoların otomatik sınıflandırmasını sağlayarak; verimliliği arttırmayı, hataları azaltmayı ve yükünü hafifletmeyi sağlayacaktır. Sperm Seçimi ve Semen Analizi Semen analizi, infertil çiftlerin değerlendirilmesinde ilk adımdır. Sperm hücrelerinin morfolojisini tanımlama ve sperm motilitesindeki değişiklikleri izleme, bir örneğin potansiyel fertilizasyon kabiliyetini değerlendirmek için çok önemlidir. Günümüzde bilgisayar destekli sperm analiz sistemleri (CASA) araştırma ve rutin analiz için kullanılmaktadır. CASA sisteminden elde edilen 2043 fare sperminin motilite ve kinetik modellerini sınıflandırmak için otomatik ve kantitatif bir yöntem geliştirmiştir 4 . Aynı algoritma aynı araştırmacılar tarafından insan spermine uyguladı ve kromozomal anormallikleri teşhis etmek için 425 insan sperminin verilerini kullanarak genel doğruluğu % 89,92 olan bir model geliştirdi 5 . Hasta boy, toplam testis hacmi, folikül uyarıcı hormon, luteinize edici hormon, toplam testosteron ve ejakülat hacmi verilerinde kullanılması ile kromozomal anormalliklerin tahmini %95'in üzerinde doğruluk elde edilmiştir. Girela ve arkadaşları tarafından insan sperm konsantrasyonunu ve motilitesini çevresel faktörlere ve anketlerden alınan
TSRM BLAST www.tsrm.org.tr Üreme Sağlığı ve İnfertilite Derneği
yaşam tarzına göre tahmin etmek için iki özel sinir ağı geliştirdi 6 . Yöntem, daha pahalı laboratuvar testlerine bir alternatif gibi görünse de sadece erken teşhis için yararlı bir araç olabilir. Sahoo ve Kumar (2014) insandaki fertilizasyon oranını tahmin etmek için beş yapay zeka tekniği kullandı ve bu oranı daha doğru tahmin edebilecek uygun nitelikleri bulmak için sekiz özellik seçme yöntemi uyguladı 7 . Özellik seçim yöntemleri, AI tekniklerinin de daha yüksek doğruluk ve AUC oranı (%94 ve 0.932) sağladı. Sperm kalitesinin tahmini için farklı AI yöntemlerini içeren güncel yayınlar tablo 2 de özetlenmiştir. Oositlerin Değerlendirilmesi ve Seçimi Üremeye yardımcı tekniklerin kullanıldığı hasta tedavilerinde genel başarı, oositlerin kalitesine büyük ölçüde bağlıdır. En iyi kalite ve gelişim potansiyeline sahip oositi değerlendirmek ve seçmek için çeşitli stratejiler önerilmiştir, ancak normal morfolojideki oosit veya embriyonun anöploidi olasılığı gibi sınırlamalar, kesin standartlar ve yöntemler elde etmek için daha fazla çalışmaya ihtiyaç olduğunu göstermektedir 1 . Cavalera ve arkadaşları fare oosit in vitro maturasyon görüntülerini; partikül görüntü velosimetri (PIV) yöntemi ile analiz ederek sitoplazmik hareket hızlarının profilini hesapladı ve ardından veriler yapay sinir ağı ile analizi gerçekleştirdi 8 . Sonuç olarak gelişimsel olarak yeterli veya yetersiz oositleri %91,03 doğrulukla belirleyebilen bir model elde edildi. Oosit seçiminin ideal yöntemi, noninvaziv, ucuz ve minimum etkiyle akışına dahil edilebilecek nitelikte olmalıdır. Bu nedenle oosit kalitesinin daha güvenilir bir tahmini için gelişimsel yeterliliğinin daha doğru bir şekilde ölçülmesine ihtiyaç vardır. Ayrıca, time lapse, transkriptomik veya genomik yoluyla gen ekspresyonunu değerlendiren oositlerinin verilerinin AI yöntemlerinin uygulanmalarına dahil edilebilmesi yeni modellemeler için fayda sağlayabilir. Embriyo Değerlendirilmesi ve Seçimi Embriyo canlılığının hassas bir şekilde değerlendirilmesi ve implantasyon oranını en üst düzeye çıkarmak ART tedavilerini optimize etmek için en önemli faktördür. Embriyolar blastokist aşamasında morfoloji ve dinamik gelişime odaklanan görsel gözlemlere dayalı noninvaziv bir inceleme ile seçilip transfer edilir. Embriyoların değerlendirilmesi özneldir ve bu nedenle embriyo skorlama ve nihai başarı oranı embriyologların inter- and intraobserver varyasyonuna tabidir 1 . AI kullanılarak embriyoların otomatik olarak morfolojik analizleri ilgi çeken çalışma alanlarından biridir. Santos Filho ve arkadaşları, yarı otomatik derecelendirme ile insan blastokist görüntülerinin, görüntü segmentasyonu ve sınıflandırılması için bir model oluşturdu 9 . İç hücre kütlesi (ICM) ve trofektoderm (TE) kalitesini derecelendirmek için iki SVM sınıflandırıcısı modellemede kullanıldı. TE ve ICM görüntü tanımlayıcıları; fraktal boyutu ve ortalama kalınlığı hesaplanarak, blastokistin ana morfolojik özellikleri karakterize edildi. Singh ve arkadaşları, insan blastokistlerinin TE bölgesini belirlemek için tam otomatik bir yöntemde yeni bir algoritma sunmuştur 10 . Görüntülerinin kalitesini artırmak için Retinex algoritmasını kullandılar ve sonucunda TE bölgelerini tespit etmek için ortalama %87,8'lik bir şekil doğruluğu elde ettiler. Saeedi ve arkadaşları, insan blastokist görüntülerinde TE ve ICM'nin ortak segmentasyonu için ilk otomatik yöntemi tanıtmıştır 11 . Farklı derecelerde 211 blastosist görüntüsünden oluşan bir veri seti oluşturup test ederek, TE'nin tanımlanması için %86.6 ve ICM için %91.3 doğruluk bildirmiştir. Embriyo morfolojisi, transfer edilecek embriyo seçimi için mevcut araç olmaya devam etmektedir. Otomatik görüntü tanımlamadan elde edilen veriler, embriyoların objektif olarak değerlendirilmesi ve daha nicel bir şekilde analiz edilmesi için bir fırsat sağlayabilir. Oosit / embriyo görüntülerini temel alan farklı AI yöntemlerini içeren güncel yayınlar tablo 3 de özetlenmiştir. Time-Lapse (TL) kullanılarak embriyo değerlendirmesi, embriyoların gelişim aşaması ve morfokinetikleri hakkında sürekli bilgi sağlar, ancak henüz bu veriler üzerine kurulan algoritmalar şüpheli kalmaya devam etmedir 12 . Carrasco ve arkadaşları, Time-Lapse sistemli bir inkübatörde bilinen implantasyon verileriyle 800 insan embriyosunu retrospektif
TSRM BLAST www.tsrm.org.tr Üreme Sağlığı ve İnfertilite Derneği
olarak analiz etmiştir 13 . Morfokinetik parametrelerin analizine ve D3'teki embriyo morfolojisi değerlendirmesine dayanan bir model geliştirmiştir. Time-Lapse kullanılarak embriyo değerlendirmesine ek olarak elde edilen embriyolardan alınan biyopsi örneklerinde bilinen öploidi ve transfer sonrası başarı durumuna göre yapılan çalışmada (ERICA - [Embryo Ranking Intelligent Classification Algorithm]); embriyo morfokinetik bilgilerine göre öploidi durumunu %79’luk doğruluk ile tahmin eden bir model geliştirilmiştir 14 . Time lapse verilerini temel alan farklı AI yöntemlerini içeren güncel yayınlar tablo 4 de özetlenmiştir ART Tedavi Sonucu AI ile birleştirilmiş işlevsel bir ART sonuç tahmin modeli oluşturmak, subfertil çiftlerin kişiselleştirilmiş tedavisini uyarlayabilir ve gebelik sonuçlarını iyileştirebilir. Birkaç çalışma ile ART sonuçlarını tahmin etmek için %59 ile %84,4 arasında doğruluklarda farklı AI yöntemlerinin kullanıldığı için modeller tanımlamıştır 15–19 . Tahminlerin doğruluğu giderek artmasına rağmen modellerin klinik uygulamalarda kullanılması için daha fazla araştırmaya ihtiyaç vardır. Siklus verilerini temel alan farklı AI yöntemlerini içeren güncel yayınlar tablo 5 de özetlenmiştir. AI Araştırmasının Sınırlamaları ve Zorlukları AI'nın klinik faaliyetlerde kullanılmasıyla ilgili esas olarak sperm hücrelerinin, oositlerin ve embriyoların görüntü analizlerine ve ART'nin sonuç tahminine odaklanılmaktadır. Klinik çalışmalarda yapay zekayı uygulamanın yollarını belirlemede önemli zorluklar mevcuttur. DT, SVM'ler ve sinir ağları gibi makine öğrenimi algoritmaları yaygın olarak kullanılmaktadır ve iyi sonuçlar elde edilmiştir. Bununla birlikte, derin öğrenme gibi son teknoloji makine öğrenimi algoritmaları hala başlangıç aşamasındadır ve yeterince araştırılmamıştır. Mevcut çalışmaların temel sınırlamaları, eğitilen modelin performansını, uygulanabilirliğini ve genelleştirilebilirliğini önemli ölçüde etkileyen verilerin niceliği ve kalitesinden kaynaklanmaktadır. Çoğu çalışmada, modellerin verileri sayıca az, kaynak ise tek ve geriye dönüktür. Algoritmaların dış geçerliliğini test etmek ve sınırlı araştırma kaynaklarının kullanımını optimize etmek için büyük ölçekli randomize kontrollü çalışmalar gereklidir. Ayrıca, çoğu araştırma, sınıflandırma ve tahmin için algoritmalar uygulamakla sınırlıdır, ancak elde edilen analiz verilerinin entegrasyonundan yoksundur. AI uygulamaları nispeten sınırlı ve çoğunlukla yarı otomatiktir. Kişiselleştirilmiş teşhis ve tedavi, uzaktan tıbbi uzman sistemi ve otomatik yapay zeka destekli üreme hakkında daha fazla araştırmaya ihtiyaç vardır. Yapay zeka, basit ve tekrar eden görevlerin üstesinden gelerek çok fazla zaman ve emek tasarrufu sağlayabilir. Ancak kullanıcılar, modellerinin tahminlerini körü körüne takip etmemeli, modelin makul bir şekilde inşa edilip edilmediğini ve gerçek klinik senaryo ile uyumlu olup olmadığını her zaman dikkate almalıdır 20
TSRM BLAST www.tsrm.org.tr Üreme Sağlığı ve İnfertilite Derneği
TSRM BLAST www.tsrm.org.tr Üreme Sağlığı ve İnfertilite Derneği
TSRM BLAST www.tsrm.org.tr Üreme Sağlığı ve İnfertilite Derneği
TSRM BLAST www.tsrm.org.tr Üreme Sağlığı ve İnfertilite Derneği
Referanslar 1 . Wang R, Pan W, Jin L, Li Y, Geng Y, Gao C, et al. Artificial intelligence in reproductive medicine. Vol. 158, Reproduction. 2019. p. R139–54. 2 . Camacho DM, Collins KM, Powers RK, Costello JC, Collins JJ. Next-Generation Machine Learning for Biological Networks. Vol. 173, Cell. 2018. p. 1581–92. 3 . Fernandez EI, Ferreira AS, Cecílio MHM, Chéles DS, de Souza RCM, Nogueira MFG, et al. Artificial intelligence in the IVF laboratory: overview through the application of different types of algorithms for the classification of reproductive data. J Assist Reprod Genet. 2020;37(10):2359–76. 4 . Goodson SG, Zhang Z, Tsuruta JK, Wang W, O’Brien DA. Classification of mouse sperm motility patterns using an automated multiclass support vector machines model. Biol Reprod. 2011;84(6):1207–15. 5 . Goodson SG, White S, Stevans AM, Bhat S, Kao CY, Jaworski S, et al. CASAnova: A multiclass support vector machine model for the classification of human sperm motility patterns. Biol Reprod. 2017;97(5):698–708. 6 . Girela JL, Gil D, Johnsson M, Gomez-Torres MJ, De Juan J. Semen parameters can be predicted from environmental factors and lifestyle using artificial intelligence methods. Biol Reprod. 2013;88(4). 7 . Sahoo AJ, Kumar Y. Seminal quality prediction using data mining methods. Technol Heal Care. 2014;22(4):531–45. 8 . Cavalera F, Zanoni M, Merico V, Hien Bui TT, Belli M, Fassina L, et al. A neural network-based identification of developmentally competent or incompetent mouse fully-grown oocytes. J Vis Exp. 2018;2018(133). 9 . Filho ES, Noble JA, Poli M, Griffiths T, Emerson G, Wells D. A method for semi-automatic grading of human blastocyst microscope images. Hum Reprod. 2012;27(9):2641–8. 1 0 . Singh A, Au J, Saeedi P, Havelock J. Automatic segmentation of trophectoderm in microscopic images of human blastocysts. IEEE Trans Biomed Eng. 2015;62(1):382–93. 1 1 . Saeedi P, Yee D, Au J, Havelock J. Automatic Identification of Human Blastocyst Components via Texture. IEEE Trans Biomed Eng. 2017;64(12):2968–78. 1 2 . Storr A, Venetis C, Cooke S, Kilani S, Ledger W. Time-lapse algorithms and morphological selection of day-5 embryos for transfer: a preclinical validation study. Fertil Steril. 2018;109(2):276-283.e3. 1 3 . Carrasco B, Arroyo G, Gil Y, Gómez MJ, Rodríguez I, Barri PN, et al. Selecting embryos with the highest implantation potential using data mining and decision tree based on classical embryo morphology and morphokinetics. J Assist Reprod Genet. 2017;34(8). 1 4 . 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. Reprod Biomed Online [Internet]. 2020;41(4):585–93. Available from: https://doi.org/10.1016/j.rbmo.2020.07.003 1 5 . Racowsky C, Kaufman ML. Nuclear degeneration and meiotic aberrations observed in human oocytes matured in vitro: analysis by light microscopy. Fertil Steril. 1992;58(4):750–5. 1 6 . Jurisicova A, Antenos M, Kapasi K, Meriano J, Casper RF. Variability in the expression of trophectodermal markers β-human chorionic gonadotrophin, human leukocyte antigen-G and pregnancy specific β-1 glycoprotein by the human blastocyst. Hum Reprod. 1999;14(7):1852–8. 1 7 . Venkat G, Al-Nasser R, Jerkovic S, Craft I. Prediction of success in IVF treatments using neural networks. Fertil Steril. 2004;82:S215. 1 8 . Guh RS, Wu TCJ, Weng SP. Integrating genetic algorithm and decision tree learning for assistance in predicting in vitro fertilization outcomes. Expert Syst Appl. 2011;38(4):4437–49. 1 9 . Güvenir HA, Misirli G, Dilbaz S, Ozdegirmenci O, Demir B, Dilbaz B. Estimating the chance of success in IVF treatment using a ranking algorithm. Med Biol Eng Comput. 2015;53(9):911–20. 2 0 . Senders JT, Zaki MM, Karhade A V., Chang B, Gormley WB, Broekman ML, et al. An introduction and overview of machine learning in neurosurgical care. Vol. 160, Acta Neurochirurgica. 2018. p. 29–38.
SAĞLIK BİLİMLERİ ÜNİVERSİTESİ İZMİR TEPECİK EĞİTİM VE ARAŞTIRMA HASTANESİ TÜP BEBEK ÜNİTESİ
TSRM BLAST www.tsrm.org.tr Üreme Sağlığı ve İnfertilite Derneği
Süleymaniye Camii; Kanuni Sultan Süleyman adına 1551-1557 yılları arasında Mimar Sinan tarafından inşa edilmiştir. Mimar Sinan’ın kalfalık eseri olarak nitelendirilen Süleymaniye Camii; medreseler, kütüphane, hastane, sıbyan mektebi, hamam, imaret ve dükkanlardan oluşan Süleymaniye Külliyesi’nin bir parçası olarak planlanmıştır. Süleymaniye Camii Klasik Osmanlı Mimarisinin en önemli örneklerinden biridir. Yapımından günümüze dek İstanbul'da yüzü aşkın deprem gerçekleşmesine karşın, caminin duvarlarında en ufak bir çatlak oluşmamıştır. Dört fil ayağı üzerine oturan caminin kubbesi 53m. yüksekliğinde ve 27,5m çapındadır. Bu ana kubbe, Ayasofya'da da görüldüğü gibi, iki yarım kubbe ile desteklenmektedir. Cami, içindeki kandil islerini temizleyecek hava akımına uygun inşa edilmiştir. Yani cami içinde, yağ lambalarından çıkan islerin tek bir noktada toplanmasını sağlayan bir hava akımı yaratacak şekilde inşa edilmiştir. Camiden çıkan isler ana giriş kapısının üzerindeki odada toplanmış ve bu isler mürekkep yapımında kullanılmıştır. Süleymaniye camiinin 4 minaresi vardır. Bunun nedeni Kanuni'nin İstanbul'un fethinden sonraki dördüncü padişah olduğunu; bu dört minaredeki on şerefenin de Osmanlının onuncu padişahı olduğunun bir işaretidir. Süleymaniye Külliyesi; Osmanlı külliyeleri içinde Fatih külliyesinden sonra ikinci büyük külliyedir. Külliye Osmanlı mimarisinin dönüm noktasıdır. Antik çağlardaki Agora gibi şehrin en işlek yerine ya da işlek hale getirilmek istenen bölgesine inşa edilmiştir. Kanuni, külliyenin yerinin seçimi üzerinde özellikle durmuştur. Şehrin her yerinden görülebilen, özellikle Topkapı Sarayı’ndan seyredilebilecek olan külliye için, Müslümanların azınlıkta olduğu bu semt seçilmiştir. Çünkü amaç bölgeyi Müslümanlaştırarak İstanbul'a yeni bir semt kazandırmaktır. Süleymaniye bir külliye olmaktan çok kurumsallaşmış bir sosyal imge haline gelmiştir. Roma'da San Pietro, Paris'te Notre Dame, Londra'da Saint Paul gibi İstanbul'da da Süleymaniye kentin simgesi olmuştur. Süleymaniye en erdemli sanatçı Mimar Sinan ile, en büyük politik güç olan Kanuni'nin anılarını birleştirerek meydana çıkmış; Osmanlı’nın en büyük külliyesi, eğitim merkezi, imareti, hastanesi, ticarethanesiydi. Külliye İstanbul hayatının merkeziydi. Süleymaniye Külliyesi mimarlık açısından tarihin en büyük şantiye organizasyonuyla gerçekleşmiştir. Süleymaniye Camii ve Külliyesi'nin yapılması için buraya ayrılan vakıflar Evliya Çelebi'ye göre Belgrat, Rodos ve Malta fetihlerinde elde edilenlerdir. Bakımı ve işlemesi için 221 karye, 30 mezra, 2 mahalle, 7 değirmen, 2 dalyan, 2 iskele, 2 çiftlik, 2 ada, 1 çayırlık, 5 karyenin mahsulü vakfedilmiştir. Tarihçi Peçevi, külliyenin inşası için 896.380 filori ve 82.900 akçe harcandığını yazmıştır.
TSRM BLAST www.tsrm.org.tr Üreme Sağlığı ve İnfertilite Derneği
Süleymaniye Külliyesi’ne ait bir efsaneye göre; İran şahı Tahmasb Han, Osmanlı hazinesi dara düştü düşüncesiyle Kanuni Sultan Süleyman’a mücevher dolu sandık gönderir, bu duruma çok kızan padişah, sandığı Mimar Sinan'a verir, Sinan'da bütün mücevherleri havanda dövdürerek toz haline getirir ve bir minarenin harcında kullanır, güneş vurdukça ışıldayan bu minareye “Cevahir Minaresi”, “Mücevherli Minare” ya da “Güneş Minaresi” adı verilir. Külliye 1553 yılında başlamış, 4 yıl 8.5 aylık süreç sonunda 1557 yılında tamamlanmıştır. Külliyede dört idarecinin denetiminde; Hassa Mimarları Ocağı'nın elemanları, acemioğlanları, kapıkulu ocakları mensupları, ücretli işçiler, ustalar ve esir olarak forsalar çalışıyordu. Ayrıca imparatorluğun her yerinden gelen usta, çırak, işçiler bulunmaktaydı. İşçilerin dışında bennalar (duvarcı), sengtıraşlar (taş yontucu), neccarlar (marangoz), haddadlar (demirci), nakkaşlar (ressam), camgerler (camcı), sürbgerler (kurşun döşeyici), lağımgerler (patlayıcılar) başlıca ustalardı. Müslüman ve gayri-Müslim işçilerin sayısı eşitti. Külliye için imparatorluğun neredeyse her yerinden inşaat malzemesi, büyük taş ve mermer sütunlar getirtilmiştir. Sinan’ın dört sütunun ikisini İskenderiye Balbek'ten, birini Vefa'dan, birini ise saraydan getirttiği bilinmektedir. Külliyede kullanılan mermer Marmara adası ve İstanbul'dan, Kereste Karadeniz ve Biga'dan, alçı-kireç İstanbul, İznik ve Bursa'dan, tuğla İstanbul Hasköy'den ve Gelibolu'dan, demir Bulgaristan Samakov'dan, ip ve urgan Samsun'dan getirtilmiştir. SÜLEYMANİYE DOĞUM EVİ; Süleymaniye Camii, Tıp Medresesi, Kütüphane ve Türk-İslam Tarihi Eserler Müzesi'nin çevrelediği binaların ortasında bulunan Süleymaniye Doğumevi yaklaşık 1927 yılından itibaren özel dal hastanesi olarak; Doğum ve Kadın Hastalıklarının ve Tanı ve Tedavisinin yapıldığı yerdir. Süleymaniye Doğumevi; Vakıflara ait olan eski bina ile birlikte 1948 yılında Vali ve Belediye Başkanlığı sırasında Dr. Lütfü Kırdar ve de 1951 yılında Hayırsever Refia Tanır tarafından yaptırılan ek binalarla birbirine bağlı 3 blok şeklinde genişletilmiştir.
TSRM BLAST www.tsrm.org.tr Üreme Sağlığı ve İnfertilite Derneği
1994 yılında; Hayırsever Semiha Şakir tarafından Zeytinburnu'nda yaptırılan Semiha Şakir Doğum Evi Süleymaniye Kadın Doğum Ve Çocuk Hastalıkları hastanesinin bünyesine katılmıştır. Külliye içerisinde yer alan Süleymaniye Doğum Evi bünyesinde 2002 yılında Tüp Bebek merkezi ruhsatlandırılarak hizmete başlamıştır. Eminönü ilçesinde bulunan Süleymaniye Doğumevi tarihi bir bina olması nedeniyle, gelişen teknolojik yeniliklere karşı fiziki düzenleme yapılmasına imkan sağlamadığından, 15 Ocak 2009 tarihinde Eminönü- Süleymaniye Doğumevi tamamen kaldırılarak; Zeytinburnu ilçesinde bulunan Semiha Şakir Doğumevinde hizmet vermeye başlamıştır. Tarihi bina; Türkiye Yazma Eserler Kurumu Başkanlığına devredilmiştir, bu tarihten itibaren eski Süleymaniye Doğum Evi yazma eserlerin korunmasına yönelik kitap hastanesi olarak hizmet vermeye başlamıştır. SÜLEYMANİYE DOĞUM EVİ TÜP BEBEK MERKEZİ 2009 yılında; Süleymaniye Kadın Doğum ve Çocuk Hastalıkları EAH’nin Zeytinburnu’nda bulunan Semiha Şakir Doğumevi ile birleştirilmesi ile birlikte Semiha Şakir Doğumevi'nin 5. katı ÜYTE (Üremeye Yardımcı Tedaviler) Yönetmeliği'ne uygun şekilde tekrar inşa edilmiş ve merkez bu yeni yerine taşınmıştır. Mart 2018’de ise Süleymaniye Kadın Doğum ve Çocuk Hastalıkları EAH; İstanbul Eğitim Araştırma Hastanesi bünyesine dahil edilmiştir. Tüp Bebek Ünitemiz halen Zeytinburnu Kazlıçeşme’de; SBÜ İstanbul EAH Süleymaniye Ek Hizmet binası A blok 5. Katında hizmet vermeye devam etmektedir. Kurulduğu günden beri çalışan ekipler değişmiş olsa da merkezimiz şimdiye kadar çocuk sahibi olmak için başvuran yaklaşık 17.000 çifte hizmet etmiş ve pek çok çifti de bebek sahibi yapmıştır.
TSRM BLAST www.tsrm.org.tr Üreme Sağlığı ve İnfertilite Derneği
Merkezimiz ÜYTE yönetmeliğine uygun şekilde inşaa edilmiş olup, bünyesinde Embriyoloji Laboratuvarı, Androloji Laboratuvarı, Dondurma ve Saklama alanı, Ameliyathane, Tüp bebek ve İnfertilite poliklinikleri, Üroloji polikliniği ve Hasta uyanma ve derlenme alanını barındırmaktadır. Merkezimizde 2 Kadın Doğum Uzmanı, 3 Histoloji ve Embriyoloji Uzmanı, 1 Üroloji Uzmanı ve 8 (hemşire ve biyolog) yardımcı sağlık personeli görev yapmaktadır. Tüp Bebek Ünitemizin Mesul Müdürü Prof. Dr. Özgür Yiğit; ÜYTE Sorumlusu Op. Dr. Şener Yalçınkaya ve ÜYTE Laboratuvar Sorumlusu Dr. Öğr. Üyesi Ayşe Köse Vuruşkan’dır. Tüp Bebek Ünitemizde; infertilite ile başvuran çiftlere gereğinde klasik ovulasyon indüksiyonu, intrauterin inseminasyon (aşılama), gereğinde IVF (Klasik tüp bebek), ICSI (mikroenjeksiyon), diğer mikromanipülasyon yöntemleri (assisted hatching), embriyo ve gonad hücreleri (yumurta, ejakülat, testiküler doku) dondurma, çözdürme ile testis biyopsisi (MikroTESE dahil) gibi etkinliği bilimsel düzeyde kanıtlanmış tüm tanı ve tedavi yöntemleri uygulanabilmektedir. SGK yönetmeliğinde belirtilen kriterler dahilinde hastalarımızın masrafları katılım payları haricinde kurum tarafından ödenmektedir. Ayrıca ücretli olarak tedavi olmak isteyen hastalarımız da kabul edilmektedir.
TSRM BLAST www.tsrm.org.tr Üreme Sağlığı ve İnfertilite Derneği
Ayrıca Hastanemiz; Sağlık Bakanlığına bağlı ilki Ankara’da açılıp daha sonra kapanmış olan; İstanbul’daki ilk PGD laboratuvarına ev sahipliği yapmıştır. Tüp Bebek Ünitemiz SGK ödemeleri kapsamında; Talasemi Majorlu çocuğu olup kurul kararı ile kemik iliği tedavisine gerek duyulduğunu raporlandıran çiftlere hizmet etmektedir. Tüp Bebek ünitemizde embriyo biyopsisi yapılmaktadır; donör olabilecek embriyonun transferi ile hasta çocuğun tam şifa ile tedavi edilmesine aracı olmanın büyük sevincini yaşamaktayız. Tüp Bebek Ünitemizin ana hedefi; bilimsel çerçevede ve son teknolojik donanımla hastalarımıza her zamanki gibi güvenilir ve kaliteli hizmet vermektir.
Reproduktİf TIpta Tahmİn KodlamasI: Yapay Zeka AraştIrmalarI Gelecekte Bİzİ Nereye Götürecek? Çeviri: Uzman Dr. Aslı Akdöner Dokuz Eylül Üniversitesi Tıp Fakültesi Kadın Hastalıkları ve Doğum Anabilim Dalı 1990'ların başında, kullanıcıların verileri değiştirmesine imkan vermeden, statik bilgi kullanılarak Web kurulmuştur. Yardımcı üreme teknolojisinde (ART), klinikler, kağıt tabanlı metodolojiler kullanarak veri toplamaktaydı. Örneğin; hastalarla telefonla, mektupla veya yüz yüze iletişime geçilir ve topluma, gazeteler ve televizyon aracılığıyla ulaşılırdı. 1990'ların sonunda, Web 2.0, sunucu tarafı işleme formları, veri tabanları ve sosyal medya gibi daha etkileşimli ve dinamik bir deneyime geçişi içeriyordu. Web 2.0, daha az bilgi ve daha fazla etkileşim bazlıydı. Fertilite klinikleri, medikal kayıtları elektronik ortamda kayıt altına almaya ve sosyal medya aracılığıyla toplumla iletişim kurmaya başladı. (LinkedIn, Instagram, Facebook, Twitter, TikTok ve daha fazlası). Elektronik kanıtlar, dijital ve sürekli kalite kontrol, genetik test ve hızlandırılmış sistemlerdeki dökümlerin sayısallaştırılması ile elde edilen verilerin giderek artması ile, bu verilerin karmaşıklığı da artmıştır. Sonuçta, kendimizi, sıklıkla sübjektif gözlemlere dayanan geleneksel istatistiki yöntemleri kullanarak etkin ve tutarlı algoritmalar bulmaya çalıştığımız, büyük bir veri çağında bulduk. Yapay zeka (AI), bu büyük veri çağının getirdiği problemleri çözmek için uygun bir seçenek olarak görülebilir. Son birkaç yılda artan yayınlarla birlikte, yapay zekanın imkanlarının, yardımcı üreme tekniklerine çok daha fazla etkinlik ve tutarlılık getireceği düşünülmektedir. Yardımcı Üreme Tekniklerinde Yapay Zeka Çağı Yeni Başlıyor Web 3.0, kişiselleştirilmiş kullanıcı deneyimi, düzeyde teknolojiler, blok zincir yazılımı, sanal gerçeklik, nesnelerin interneti (IoT) ve daha fazlasını yaratmak ve verileri işlemek için yapay zeka kullanımına dayalı yeni nesil internet teknolojisidir. Web 3.0, cihazdan bağımsız olmalı ve bilgiyi demokratik ve açık olarak dağıtmalıdır. Kullanıcılar bu sayede ağ veya hücresel sağlayıcılar tarafından işlenmesine gerek kalmadan verilerinin tam sahipliğini elde edebilmektedirler. Bu teknoloji sayesinde, fertilite tedavisinin pek çok kısmı sanal olarak gerçekleştirilebilir. Sanal konsültasyonlardan, evde testlere ve tedavi öncesi teşhislere kadar, fertilite değerlendirmeleri dijital ve hasta merkezli yapılabilir. Büyük miktarda bilgi ve meta-verinin topluma açık hale gelmesiyle, web-3 teknolojileri (makine öğrenimi [ML], AI, IoT, doğal dil işleme), bilgisayar yazılımlarının, bu bilgilerden çıkarımlar oluşturmak için, herhangi bir sistemdeki her türlü veriyi otomatik olarak birbirine bağlamasına olanak sağlamaktadır. Bu veri toplama erişilebilirliği, hastaları, tedavi planlarıyla eşleştirme ve fertilite başarı oranlarını tahmin etme gibi, daha iyi kişiselleştirilmiş sağlık hizmetleri teknolojilerinin geliştirilmesini mümkün kılabilir. Yapay Zeka Sistemlerinin Bakım Amacıyla Uygulanması Bir yapay zeka sistemini etkin bir şekilde in vitro fertilizasyon klinik laboratuvar işleyişine dahil etmenin önemli zorlukları mevcuttur. Yapay zeka kullanımı rutin, kolay ve otomatik olarak uygulanabilir olmasına rağmen, hala kağıt
TSRM BLAST www.tsrm.org.tr Üreme Sağlığı ve İnfertilite Derneği
çizelgeleri kullanan ve hastaların embriyolarının tek bir dijital görüntüsünü dahi alıp saklayamayan bazı IVF merkezleri için imkansızdır. Ek olarak, hastaların demografik, klinik ve laboratuvar temel performans göstergelerini (KPI) ve ilişkili diğer verileri (ultrason görüntüleri ve preimplantasyon genetik tanı sonuçları, yeterlilik değerlendirmeleri) tek bir gösterge tablosunda biriktirmek için veri yönetim çözümleri azalmaktadır. Prospektif verinin eksikliğinin yanı sıra, gebelik sonucunu tahmin etmek için embriyo görüntüleri ve videoları (AI ve istatistiksel modellerle analiz edilen) kullanmayı amaçlayan tüm çalışmalarda göze çarpan bir eksik daha mevcuttur. Embriyo seçiminde, en sık kullanılan görüntüler biyopsi ve kriyoprezervasyon, çözdürme ve transferden önce alınan blastokist görüntüleridir. Buna rağmen, klinik gebeliğin göstergesi olan laboratuvarın kültür koşulları, klinisyenin teknik yeterliliği, embriyo kalitesi ve / veya çözdürme sonrası ilerleme, klinik gebelik oluşturmayı amaçlayan bu modellerde analiz edilmemektedir. Diğer bir sorun da görünüşte benzer parametrelerin, klinikler arasında değişmesidir. Örneğin, bir klinik, blastokist görüntülerini 110 saatte yakalayabiliyorsa, başka bir klinik bunları laboratuvar çalışma koşullarına bağlı olarak, hemen dondurma işlemi öncesinde de yakalayabilir. Tüm bu farklılıkları ortadan kaldıran ve bunu standardize eden bir yapay zeka sistemi tasarlanmalıdır. Geleceğe baktığımızda, üreme için yapay zeka kullanımının, yeni makine öğrenim algoritmaları ile birlikte, sadece önceki gebelik tahminlerini analiz etmenin ötesine geçeceğini söyleyebiliriz. İleriye dönük tasarımda, büyük verinin, standardize edilmiş sonuç ölçümlerinin ve eksternal doğrulamanın, klinik ve laboratuvar KPI'larının entegrasyonunun, ayrıca hastaların demografik özelliklerinin, yeni değişkenlerin ve bilinmeyen etkileşimlerin tanımlanmasıyla daha üst düzey öngörü kapasite sağlanacaktır. Yakın gelecekte yapay zeka birden fazla veri kaynağına erişerek tanı, tedavi ve sonuç modelleri ortaya çıkarabilir. Büyük veri kaynağı kullanılarak yapay zeka sistemleri hastalar için bireysel riskleri tahmin ederek tedavi seçenekleri önerebilecektir. Her hasta için sağlıklı bir gebelik ve bebek elde etme şansını değerlendirmek mümkün olabilecektir. Aynı zamanda, hamilelik sırasında gelişebilecek komplikasyonları önceden tahmin etmek için de uygun olabilecektir. Yapay zeka gebelik elde etme zamanını kısaltacak ve verimliliği artıracaktır. Yapay zekanın en güçlü kullanım amacı, insan yerine geçmek değil, insan yeteneklerini geliştirmek, değişkenliği en aza indirmek, hassasiyeti artırmak ve işleyişi hızlandırmaktır. Yapay zekanın etkisi en çok makine öğrenimi (ML) ve doğal dil işleme kullanılarak görülebilir. Hasta odaklı yapay zeka, klinisyen odaklı yapay zeka, yönetim ve operasyon odaklı yapay zeka olacaktır. Geleceğe yönelik olarak gerçekte önemli olan yapay zekanın geleneksel yaklaşımla embriyo seçimine göre ne kadar iyi olduğudur. Ayrıca bu ilerleme, mevcut sistemin yeniden değerlendirilmesi ve değiştirilmesine, lisans veya satın alma işlemleri için kaçınılmaz olarak gerekecek yatırım değerine değecek midir? Yapay zeka eğitimi aşamasında, sürece girebilecek yan tutma konusunda endişeyi çözmek için, gerçek hayatta görülebilecek çeşitliliği yansıtan gerçekçi veri tabanları oluşturulmalıdır. Örneğin, sadece transfer için seçilen değil, daha geniş bir embriyo grubunun dahil edilmesi gerekmektedir. Yapay zeka modellerinin bu tür veri tabanları üzerinde eğitilmesi ve bağımsız ve toplumu temsil eden veri tabanları üzerinde geniş ölçüde değerlendirilmesi gerekmektedir. Yapay zekanın IVF'te uygulanması dijitalleşme hızına, standardizasyona, geniş ve iyi tanımlanmış verilerin kullanımı ile IVF’in optimizasyonuna bağlıdır. Bir kez kurulduktan sonra yapay zeka programlarının sürekli öğrenme, sürekli yeniden doğrulama ve yeni verilerin dahil edilmesi yoluyla kendi kendini geliştirmesi beklenmektedir. Klinik bir ortamda bir yapay zeka sistemi kurulmasına karar verirken, bazı modellerin öğrenme yeteneklerini göz ardı etmemek gerekir. Bu
TSRM BLAST www.tsrm.org.tr Üreme Sağlığı ve İnfertilite Derneği
sistemler için ayarlama sürecine izin verilmelidir. Adapte olunduktan sonra, yapay zekanın daha düşük hata oranları içereceği ve duygusal faktörler veya fiziksel kısıtlamalar olmadan emek isteyen, yoğun, sıkıcı ve tekrarlayan görevleri daha verimli bir şekilde gerçekleştirebileceği beklenmektedir. Yapay zekanın potansiyel dezavantajı insan karar verme mekanizmasının yerini alması ve insani iletişim ve empati yeteneğinin olmamasıdır. Ancak, yapay zekanın insanların yerini almayacağı, onları daha üretken hale getireceği düşünülmektedir. Ek olarak, hasta verilerinin mahremiyeti ve güvenliği, dijital teknolojilerin artan kullanımı nedeniyle bir endişe kaynağıdır ve uygun şekilde ele alınması gerekir. Bu, bulut tabanlı veri-depolama kullanımının arttığı bir çağda özellikle önemlidir. Açıklanabilir Yapay Zeka Embriyolojide yapay zeka için en acil mevcut hedeflerden biri, bilgisayarın subjektif ek açıklamalara gerek kalmadan, sadece görüntülere göre en iyi embriyoyu seçmesini sağlamaktır. Yapay zekaya yönelik sık sık yapılan eleştirilerden biri de yapay zekanın, kara kutu olarak görülme eğiliminde olmasıdır. İdeal olarak, yapay zekanın gebelik elde etmek için güvenilir olasılıklar sağlayabilmesi arzu edilmektedir. Böylece, doktorlar güvenilir bir araçla donatılarak transfer edilecek en uygun embriyo sayısına ilişkin daha doğru kararlar verebilirler. Bilgisayarın sonuçlara nasıl ulaştığı konusunda bir açıklama getirilmesi önemlidir. Bu aynı zamanda embriyologları ve hastaları yapay zeka tahminlerine güvenmek konusunda ikna etmek için de önemlidir. Genellikle bu açıklanabilir yapay zeka olarak bilinir ve bazı makine öğrenim modellerinin anlaşılmasının zor olduğu bilinmektedir. Bu, eğitim sırasında ince ayarlanmış milyonlarca parametreyi içeren modern derin öğrenimi daha da zorlaştırmaktadır. Bazı klasik yapay zeka yöntemleri uzman sistemlere dayalı ve karar algoritmaları daha açıklanabilir düzeydedir. Ancak derin öğrenmeye göre daha az doğruluk oranına sahiptir. Derin öğrenme modellerinin açıklanabilmesi aktif bir araştırma alanıdır ve bazı yöntemler grup etkinleştirme haritalaması gibi yararlı kılavuzların kullanılmasını gerektirmektedir. Ayrıca yapay zekaya sadece gebelik şansını tahmin etmek yerine, aynı anda başka sorular sormak da bir fikir olabilir veya yapay zeka sonuçları üst düzey analizlerle değerlendirilebilir. Örneğin, bir embriyo düşük kaliteli olarak tanımlandıysa bu genetik olarak hasarlı olabileceği (anöploidi) anlamına gelebilir. Bu, düşük gebelik şansı için bir açıklama olabilir. Bunların yanında, yapay zeka ve yapay zeka kullanıcılarının aynı dili konuşması önemlidir. Embriyologlar, yapay zeka yoluyla otomatik olarak yapılan tahminlerin başarısını gösteren çalışmalara rağmen, geleneksel yöntemlerle yapılan tahminlere daha çok güvenmektedirler. Tüm bu modelleri kombine etmek daha açıklanabilir bir yapay zeka ile sonuçlanabilir. Gelecekte, tıbbi geçmiş ve tedavi protokolleri gibi daha fazla parametre yapay zeka tahmin modellerine dahil edilecektir. Böylelikle açıklanabilir yapay zeka sikluslarda gebelik şansını arttıracak şekilde tedavi protokollerinde düzenlemeler önerebilecektir. Makine Öğrenimi Yapay zekanın IVF alanında başarılı bir şekilde uygulanması için, bilgisayar bilimi, klinik ve biyolojik bilginin kombinasyonu gereklidir. Bu, bilgisayar bilimcilerin, reprodüktif bilimciler ile akademik veya ticari düzeyde güçlerini birleştirmesini gerektirmektedir. Yapay zeka uygulamasının karmaşıklığı fazladır ve klinik ortamda faydalı olabilecek yapay zeka modelleri geliştirmek isteyen gruplar için bir meydan okumayı temsil eder. Embriyologların ve bilgisayar bilimcilerin aynı dili konuşmayı öğrenmeleri gerekmektedir. Ayrıca, IVF ve embriyo biyolojisi anlayışları, güçlü ve zayıf yönleri de katılarak, bilgisayar bilimi tekniklerinin kavrayışıyla birleştirilmelidir. İlk bilgisayarlar piyasaya çıktığında da benzer bir sorun mevcuttu. O dönemde, bilgisayarları kullanabilmek için bilgisayar programlama dillerine aşina olmak gerekliydi. Grafik kullanıcı ara yüzlerinin gelişmesiyle birlikte, bilgisayar kullanımı daha da yaygınlaşmıştır. Benzer şekilde, daha sınırlı bilgisayar programlama bilgisiyle yapay zeka uygulamamıza yardımcı olacak programların geliştirileceğini tahmin ediyoruz. Makine öğrenimi alanında, iki en popüler derin öğrenme çerçevesi, Tensorflow ve PyTorch’tur. Bunlar, tahminler ve eğitim modellerinin gerektirdiği matematiğin otomatikleştirilmesi için özelleşmiştir.
TSRM BLAST www.tsrm.org.tr Üreme Sağlığı ve İnfertilite Derneği
Ancak, yine de Python programlama kullanımı ve makine öğrenimi konusunda ileri düzeyde bilgi gerektirmektedir. Hiçbir programlama gerektirmeyen, otomatik makine öğrenim araçları konusunda araştırmalar devam etmektedir. Bazı teknoloji şirketleri (ör. Amazon, Google, Microsoft, IBM), kendi bulut servisleri için en iyi otomatikleştirilmiş makine öğrenimi geliştirme konusunda yarış halindedirler. Bu şirketler, üst düzey makine öğrenim uzmanlığına sahip olmayan işletmelerin tahmine dayalı modeller oluşturmasına izin vermektedirler. Bunlar, genellikle, veri tipine göre üç kategoriye ayrılır; tablo verileri, bilgisayar görseli için görüntüler ve doğal dil işleme. Otomatikleştirilmiş makine öğrenim araçları, erişimi demokratikleştirerek, bu alanda devrim yaratma potansiyeline sahiptir. Ancak sınırlı yan tutmaya sahip ve kaliteli, temiz, iyi etiketlenmiş verileri girme gereksinimi ve makine öğrenim metotlarının veriyi büyütme eğilimi gibi ana hatlara değinmemektedir. Tahmine dayalı modeller, sıklıkla, mevcut alan bilgisini algoritmalara dahil etmek ve resimleri tablo veya metin içeriği ile birleştirmek konusunda otomatik makine öğrenimi ile desteklenememektedir. Python ve diğer dilleri kullanan makine öğrenim uzmanlarının aynı sonuca ulaşmasının sağlanması için daha fazla araştırmaya ihtiyaç duyulmaktadır. İn Vitro Fertilizasyon Laboratuvarında Kalite Kontrolü ve Güvencesi İçin Yapay Zeka Manuel prosedürler şu anda IVF laboratuvarında baskındır. Otomasyon ve yapay zeka sistemleri, embriyoloji laboratuvarlarının daha subjektif, yorucu ve sıradan görevlerinin yükünü azaltma sözü vermektedirler. Bu sistemler, teknisyen değişkenliğini azaltabilir ve hatta gamet fonksiyonunu ve embriyoyu bozabilen çevresel stres faktörlerini belirleyebilir. Sensör ve IoT'nin ortaya çıkışı, IVF laboratuvarlarının, imkanlarını daha iyi tanıtması ve koordine etmesini mümkün kılmaktadır. IoT cihazları, genellikle, düşük maliyetlidir, kablosuz bağlantı ile düşük oranda elektrik gücü kullanırlar ve gerçek zamanlı olarak veri toplayabilirler. Bu çevresel sensörler kumandalar, ağlar, yazılımlar, oda sıcaklığı, nem, uçucu organik bileşiklerin izlenmesi, kapının açık durma sayısı vb. gibi durumları monitorize ederek, gerçek zamanlı olarak yayabilmektedir. IoT'nin daha gelişmiş, deneysel formu, akıllı toz olarak adlandırılmaktadır. Akıllı toz, uzunluğu birkaç milimetreden fazla olmayan, birden fazla mikroelektromekanik sistemin düğümleridir. Bu düğümler ışık, pozisyon, ivme, stres, basınç, nem, ses ve titreşimde meydana gelen değişimleri algılayabilmektedir. Bu tek kullanımlık sensörler bilgileri kablosuz ile bir merkez bilgisayara iletir. Verilerin derlendiği, analiz edildiği bu merkez bilgisayar veya bulut algoritmalar aracılığıyla diğer cihazlara yanıt vermesi talimatını verebilir. IoT cihazları, verileri toplamak, depolamak, almak ve analiz etmek için genellikle bulut tabanlı uygulamalara bağlanırlar. Günümüzde laboratuvar donanımı da aynı bulut altyapısına bağlanabilen kalite kontrol verilerini toplamaktadır. Bu veriler, kalite kontrol parametrelerinin standardizasyonu için destek sağlar ve yakında, elektronik sağlık kayıtları ile entegre olarak, klinik sonuçlar ile bağlantı kurabilen, ölçülebilir parametreler sunabilecektir. Personel yetkinliği IVF laboratuvarı kalite yönetim sistemlerinin başka bir önemli bileşenidir. Klinik sonuçları etkiler ve sürekli olarak izlenen KPI'ları bilgilendirir ve kültür koşullarını değerlendirir. IVF laboratuvarındaki çağdaş kalite kontrol ve güvence otomatiktir (toplama, depolama, erişim ve analiz) ve kalite ve güvenceyi arttırmak için üstünkörü geçmeden aylık olarak değerlendirilmesi gerektirmektedir. Otomatik veri toplama, embriyologları bireysel olarak kontrol edebilir ve yapay zekanın uygulama hatası gibi eğilimlerini, tahmin edilenden daha erken saptayabilir. Ayrıca, erken embriyo gelişim evresi belirteçlerinin takip edilmesine yardımcı olabilir ve yapay zeka daha iyi sonuçların elde edilmesi için embriyo kültüründe gerekli değişiklikleri tahmin ederek, optimum sonuçlar için ortam sağlanmasına yardımcı olabilir. Yapay zekanın kalite güvence sürecini otomatize ederek, kötü sonuçların erken tahminini sağlayacağı, sistemik değerlendirme ve gebelik oranlarındaki klinik değişkenliği tanımlayabileceği öngörülmektedir. 2019’da Amerikan Üreme Tıbbı Derneği'nde sunulan iki çalışma özeti klinik uygulamada intrasitoplazmik sperm enjeksiyonu gerçekleştiren embriyologların performansını değerlendirmek için yapay zeka kullanılabileceği konusunda ipucu olmuştur. Manuel ve yapay zeka tabanlı kalite-güvence değerlendirme metotları arasındaki aşırı düşük değişim katsayısı otomatik yapay zeka sisteminin yüksek doğruluk oranını göstermektedir.
TSRM BLAST www.tsrm.org.tr Üreme Sağlığı ve İnfertilite Derneği
Embriyo Kültür Sistemleri İçin Yapay Zeka ve Robotik Uygulamalar IVF laboratuvarının, gelişmiş mikroskopi, robotik teknoloji, ara yüz, bilgisayar bilimi, otomasyon, yapay zeka ve manuel süreçlerin dijitalleşmesi süreçleri ile kesişmesi, embriyo kültür sistemlerinin sınırlarının zorlanmasına neden olmuştur. Robotik ve arayüz platformlar tek bir spermin görsel takibini yapabilir, spermin immobilizasyonunu gözleyebilir, pikolitre hacimli spermin aspirasyonunu ve bu spermin bir oosite yerleştirilmesini sağlayabilir. Fare embriyolarının fertilizasyonu ve tek bir platformda devamlı kültürü, otomatik vitrifikasyon sistemlerinde olduğu gibi, insan IVF laboratuvarında robotik ve otomatik iş akışlarının tam entegrasyonunu vadetmektedir. Farklı kültür ortamı ya da ısı ve pH gibi değişimlere cevaben değerlendirilen, embriyo gelişim paternlerinin yapay zeka analizleri, hastaların demografik verileriyle birlikte alındığında embriyo kültürü için kültür koşullarını daha da optimize edebilmektedir. Gelecekte embriyo kültür ortamları için, her bir embriyoya özel formüller içeren terapötik stratejiler oluşturulabilir. Bu formüller, optimize edilmiş enerji kaynakları, antioksidanlar veya büyüme faktörleri içerebilirler. Büyük Veri Yetersizliği ve Sentetik Veri Üretken rakip ağlar (GAN'lar) genellikle "Derin Sahte (deep-fake)" oluşturma yetenekleriyle bilinir (ör. otantik görünümlü dijital içerik). Videolar, yüzler vb. pek çok veri, bir algoritma tarafından oluşturulmuştur. İki nöral birbirine karşı çalışır ve ikisi de çalışılan veriden beslenirken, ayrı ayrı çözülmesi gereken farklı problemler sunarlar. İlk jeneratör olarak adlandırılır ve eğitim örneklerinin taklitleri yoluyla çıktılar üretmekten sorumludur. İkinci ağ, ayrımcı olup, fabrika çıktılarını, eğitim örnekleri ile karşılaştırarak, doğru olup olmadığına karar vermekle görevlidir. Bu süreç, ayrımcının, verilerin doğruluğunu ayırt edemediği ana kadar devam eder. Üretken rakip ağlar, düşük maliyetli, çeşitli tıbbi görüntü verileri sağlayabilir (örneğin, bir tümörün boyutunda ve lokalizasyonunda değişiklik, bu durumda milyonlarca farklı kombinasyonlar olabilir ve organik olarak başarılması zordur). Gerçek hasta verileri yerine sentetik verilerin kullanılması, en azından, hasta mahremiyeti ve veri paylaşımı endişelerini kısmen ortadan kaldırmış olur. Reproduktif tıpta sentetik veriyi kullanırken gelişebilecek bir sıkıntı da doğrulanamayan sonuçlarla birlikte, etiketsiz verilerin üretilmesi olacaktır. Örneğin, 10 embriyonun özelliklerinden (morfokinetik sekans, trofoektoderm, hücre kitle ve yapı) elde edilen sentetik bir blastokist görüntüsünün, bilinen veya doğrulanabilir sonucu olmayacaktır (ploidi, implantasyon, canlı doğum için). Tahminler, bu video ve görüntülere göre olduğunda, algoritmaların sonucu doğrulanamaz ve bias potansiyeli oluşturur. Ek olarak, bu tür algoritmaların, vakaların da dahil olduğu, klinikte görülen tüm görüntü spektrumunu üretip üretemeyeceği belirsizdir. Pub Med’te tarandığında, "Üretici Rakip Ağlar+ IVF" için hiçbir sonuç bulunamamıştır. Ancak, kanser tanı yöntemleri, spinal görüntüleme, tıbbi görüntüler, elektronik sağlık kayıtları, radyasyon redüksiyonu ve artefakt düzeltilmesi gibi tıbbi uygulamalar için düzinelerce sonuç bulunmaktadır. Ulusal Sağlık Enstitüleri Klinik Merkezi, GAN'ı, bilgisayarlı tomografi görüntülerini iyileştirerek daha iyi performans almak için kullanmaktadır. 2018’de, Elektronik Mühendisliği Enstitüsü uluslararası konferansında, araştırmacılar şunu göstermiştir: Doku tanısı için GAN kaynaklı sentetik verileri kullanan yapay zeka uygulamaları, insanlardakine eşit doğruluk seviyelerine (% 98.83) ulaşabilmektedir. Sağlık Verisi İçin Sosyal Medya Madeni Ayrıntılı Büyük Veri arayışında, veri toplamanın farklı yollarına bakmalıyız. Kendi kendine raporlama, yaşam tarzı ve maruziyetler, klinik düzeydeki veriler ve giyilebilir cihazlardan toplanan veriler, kendi kendine yönetilen anketler, elektronik sağlık kayıtları ve kişisel sağlık kayıtları gibi entegre, çeşitli veri kümeleri gelecekteki yapay zeka çalışmaları için çok önemli olacaktır.
TSRM BLAST www.tsrm.org.tr Üreme Sağlığı ve İnfertilite Derneği
Fikir toplamak ve yorumlamak için kullanılan yapay zeka uygulaması, duyarlılık analizi olarak adlandırılan yeni bir konudur. Sosyal medya, insanların fikirlerinden oluşan ve belirli demografik bilgiler gibi ayrıntılı verilerle birlikte, yapay zeka güdümlü veri madeni kullanıcıları için devasa veri kümelerine ulaşmayı sağlar. Büyük verinin istatistiksel analizi, klinik araştırmacıların, hastalık komorbiditeleri, advers ilaç etkileri gibi tıbbi bilgileri keşfetmelerine yardımcı olabilir. Ayrıca, erken evrelerde hastalık epidemilerinin saptanmasında etkin bir rol oynayabilir. Tıbbi doğal dil işleme aracı olan MetaMap, literatürden ve elektronik sağlık kayıtlarından veri çıkarmak için geliştirilmiştir, ancak aynı zamanda sosyal medyada bahsedilen medikal konuların toplanmasını da başarıyla uygulamıştır. Toplumsal sosyal medya verileri, farmakovijilans, ilaç yeniden tasarımları, diğer faktörlerle (kullanılan diğer ilaçlar, diyet, hayat tarzı) birlikte ilaç yan etkilerinin anlaşılması, postpartum depresyon tanısı ve hatta reçeteli ilaçların kötüye kullanımının takip edilmesi gibi tartışmalı sağlık konularında toplumun bakış açısının değerlendirilmesi için toplanabilir. Doğal dil işleme, reproduktif sorunların çözümü için uygulanabilir (örneğin, embriyo dayanıklılığını keşfetmek veya verilerin toplanması ile mozaikliğin düzeltilmesi için). Facebook’ta, üye sayısı >2600 olan “My Perfect Mosaic Embrio” adlı bir grup mevcuttur ve bu grup, kendilerinin mozaik embriyo görüntülerini, preimplantasyon genetik kesin tanılarını, başarılı embiryo transferi ya da düşük bilgilerini paylaşmaktadırlar. Bu grup, sosyal medyanın bu amaçla kullanımına bir örnektir. Mobil Uygulamalar Yaklaşık 500 milyon akıllı telefon sahibinin bir sağlık bakımı uygulaması kullandığı tahmin edilmektedir. Bu, reproduktif tıp alanı için de oldukça önemlidir. Yapay zeka modelleri, hasta uygulamaları ve ovulasyon takibi için giyilebilir cihazlar gibi uygulamalar için kullanılabilir. Hastalar, kontrasepsiyon ya da menstrüel siklus takibi, ovülasyon zamanını hesaplama ve fertilite takibi amaçlı pek çok uygulama kullanmaktadır. Deneyimlerini paylaşmak ve destek almak için tıbbi verilerini paylaşmaktadırlar. Hizmet sağlayıcılar, elektronik sağlık kayıtları oluşturmak, sağlık bakımı hakkında iletişim sağlamak ve referans almak, klinik araştırmalar yapmak ve hasta sağlığı yönetimi için uygulamalar kullanmaktadırlar. Apple, 2019 yılında, akademik enstitülerle ortaklaşa üç yeni büyük tıbbi araştırma çalışması başlattığını duyurmuştur. Kapsamlı kalp / hareket ve işitme çalışmasıyla birlikte, Apple, polikistik over sendromu, infertilite, osteoporoz, gebelik ve menopozal geçiş gibi durumların risk değerlendirmesi ve taraması için büyük bir fertilite girişimi çalışmasına başladığını da duyurmuştur. IVF’te Arttırılmış Gerçeklik, Sanal Gerçeklik ve Karma Gerçeklik Son yıllarda artırılmış, sanal ve karma gerçeklik alanlarındaki gelişmeler (AG / SG / KG), gerçek dünyada, biyomedikal alanda uygulamaların yolunu açmıştır. Dünya üzeri sanal objelerle kaplıyken, karma gerçeklik sürekliliğinin bir ucunda, sanal nesnelerin üst üste bindirildiği arttırılmış gerçeklik vardır. Tüm dünyanın dijital olduğu diğer ucunda ise sanal gerçeklik vardır. Elimizde veya her zaman ceplerimizde olan, akıllı telefonlar gibi veya Oculus Quest ve Microsoft HoloLens 2 gibi başlıklı cihazların, yalnızca iki hedefi vardır. Verileri nasıl algıladığımızın, işlediğimizin ve verilerle nasıl etkileşim kurduğumuzun sınırlarını gerçekliğimize getirerek, elimizde somut ve şekillendirilebilir nesneler olarak görmemizi sağlar ve coğrafi mesafe veya zamandan bağımsız olarak, bizleri aynı odada buluşturur. IVF'de böyle bir teknolojinin faydalarını anlamak için şu senaryo değerlendirebilir; insan embriyolarını tek olarak, ortak çalışanlarla veya sonuçları hastalarla gözden geçirerek değerlendirmek ve seçmek. Görüntü yakalama teknolojisindeki son gelişmeler, veri patlamasına neden olmuştur. Uygun embriyoyu seçmek için, bir embriyoloğun, son kararını vermeden önce, pek çok hızlandırılmış mikroskop görüntüsünü gözden geçirmesi gerekmektedir. IVF'de yapay zekanın ortaya çıkmasıyla birlikte, otomatize ve sağlam değerlendirme için yeni yöntemler ortaya çıkmış ve gereksiz onlarca görüntü minimalize edilerek, inceleme süresi, önemli ölçüde kısalmıştır. Yapay zekanın yetenekleri ve sınırlamaları
TSRM BLAST www.tsrm.org.tr Üreme Sağlığı ve İnfertilite Derneği
şunlara bağlıdır: çalışılan veri seti ve genellikle embriyoloğun doldurmak için çağırıldığı boşluklar. AG, SG ve KG, verilerin gözden geçirilmesi için, binlerce iki boyutlu görüntünün, embriyo başına, tek dört boyutlu veri kümesine dönüştürülmesi ya da embriyoloğun gerçekliğine, üç boyutlu nesnenin yerleştirilmesi gibi yeni yöntemler sunmaktadırlar. Embriyolog, blastokistleri görüntüleyebilir ve manipüle edebilir, el ve göz takibi veya ses tanıma gibi veri setlerini filtreleyen ve kontrol eden yeni yöntemleri kullanabilir. Yapay zekayı kullanarak, dört boyutlu veri setlerinde, ek açıklamalar veya bölümler kaplanabilir ve parçalar veya seçilenler zaman içinde görüntülenebilir. İş birliğine dayanarak, aynı fiziksel konumda olsun ya da olmasın, embriyologlar aynı görüşü paylaşabilir ve aynı embriyo üzerinde birliğine vararak, beyin fırtınasıyla ve embriyonun yeniden sunumunu birlikte değerlendirerek, fikirlerini iletebilir veya seçim kriterlerini doğrulayabilirler. Sonunda, platformlar arası ortamla, daha sofistike bir karma gerçeklik cihazıyla gözden geçirilmiş bir embriyo sunulabilir ve hastanın gerçekliğine somut bir nesne olarak yerleştirilebilir. Bu sayede, klinisyene, tedavi için bir sonraki basamak hakkında, hasta ile görüşme şansı verir. AG / SG / KG, embriyoloji alanında klinik, eğitim ve araştırma alanlarında ilerleme açısından gelecek vaad etmektedir. Çok Merkezli İşbirlikleri ve Veri Paylaşımı Teknolojinin geleceği, yönü ve uygulanmasındaki hız genellikle işbirliğine bağlıdır. Bu konuda yapay zeka da bir istisna değildir. Şu anda, çoğu IVF yapay zeka araştırması akademik laboratuvarlarda ve bir avuç küçük şirkette gerçekleştirilmektedir. Bu durum, IVF yapay zeka alanının bölünmesine ve araştırmanın yapıldığı yerin ötesinde, uygulamanın sınırlanmasına neden olmaktadır. Gelecekte, bireysel kliniklerin büyük IVF grupları veya kümeleri, yeterli örnek genişliği ve çeşitliliği sağlamak için gerekli zengin veriyi toplamak için işbirliği çabaları gösterebilir. Bu, yapay zekanın geniş kapsamda ulaşılabilir olması için önemlidir. İşbirliği, etkinlik ve geniş veri setlerine ulaşımı azaltarak kişiye özel yapay zeka sistemlerinin geliştirilmesindense, evrensel olarak kolayca uygulanabilen yapay zeka sistemlerinin kurulmasına olanak verir. Daha önce tartışıldığı gibi, veri paylaşımının önünde, klinikler arası rekabet, hasta bilgisi paylaşım izninin olmaması ve veri gizliliği gibi engeller mevcuttur. Hastaların araştırmalara katılımlarının artması ve veri paylaşımı güvenliği konusunda teknolojinin ilerlemesi ile birlikte, bu işbirlikleri hızlanabilir. Bu konular, yapay zekanın, hasta bakımı konusunda gelişmesi ve olumlu yönde etkilenmesi için ele alınmalıdır.
TSRM BLAST www.tsrm.org.tr Üreme Sağlığı ve İnfertilite Derneği
Hassas TIp ve Yapay Zeka: Genel BakIş ve Üreme TIbbI İle İlgİsİ Precision Medicine And Artificial İntelligence: Overview And Relevance to Reproductive Medicine Fertility & Sterility, Makale Tarih, Sayı: 2020 Nov;114(5): 908-913 DOI: 10.1016/j.fertnstert.2020.09.156 Çeviri: Doç. Dr. Semra Kayataş Eser, Dr. Aybüke Dirgen SBÜ Zeynep Kamil Kadın ve Çocuk Hastalıkları Eğitim ve Araştırma Hastanesi ÖZET: Son dönemde, genom sekansı analizleri ile bireyler arasındaki genomik farklılıklar büyük ölçüde ortaya koyulmuştur. Kanser gibi, genetik kökenleri olan hastalıklar için genom sekanslama tümörün temelinde yatan mutasyonları saptama konusunda önemli bir rol oynamaktadır. Bireylerin kendine has genomik dizilimlerini saptayabilme, ‘hassas tıp’ denilen modern ve teknolojiye dayanan gelişmelere yol açmıştır. Hassas tıp, her bireyin kendi genetik yapısına göre kişiye özgü bir tedavi ortaya koyar, tıbbı daha da kişiselleştirmek için; epigenomik, metabolomik ve görüntüleme gibi genomiklerin ötesinde verileri giderek daha fazla birleştirir ve entegre eder. Bu modalitelerin entegrasyonu için de hassas tıp, yapay zeka ve makine öğrenimini kullanır. Başlarda kanser gibi sadece belirli alanlarda kullanılmış olsa da bu yazıda yardımcı üreme teknikleri üzerinde de etkileri tartışılmıştır. Bu yazıda hassas tıbbın tarihi ve yapay zekanın reproduktif tıp üzerindeki etkileri hakkında bilgiler bulunmaktadır. GİRİŞ Bilindiği üzere, gelişmekte olan nüfus için yeni tedavi yöntemleri geliştirilmektedir. Geçtiğimiz son birkaç on yılda, genomların sekanslanması ve genotip belirlenmesi gibi teknolojik gelişmelerle bireyler arasındaki genetik farklılıkların ne kadar büyük olduğu ortaya koyulmuştur. Hasta bireylerin genetik yapısını çözme konusundaki bu yetenek, ‘hassas tıp’ kavramının gelişmesine yol açmıştır. Hassas tıp, bireylerin genetik olarak eşsiz olduklarını ve hastalıkların molekül bazındaki temellerini ortaya çıkararak bu bilgileri her bireyin tedavisini oluşturmak için kullanır. Bu tip tedavilerin oluşturulması günümüzde mümkündür çünkü çeşitli hastalıkların tedavilerine erişim olanağımız mevcuttur ve bireysel tedavilere cevabı etkileyecek moleküler yapıdaki değişiklikleri anlayabiliyoruz. Örneğin, NTRK kinaz mutasyonu olan kanser hastaları NTRK inhibitörlerine çok iyi yanıt vermektedir. Bu tip hedefe yönelik tedaviler yüksek oranda etkili olmakla birlikte diğer dokularda etkili olmadıkları için daha az yan etki görülmektedir. Dolaşımdaki tümör hücre DNA’larının tespitinin mümkün olması bu tip tedavilerin gelecekte daha fazla hasta üzerinde kullanılabileceğini göstermektedir. Hassas tıp konusundaki araştırmalar, her bireyin benzersizliği gerçeğini kullanarak tedavinin etkinliğini anlama becerimizi arttırmayı amaçlamaktadır. Hassas tıp uygulamaları genomik biliminin ötesine uzanarak epigenetik, proteomik ve metabolomiklere kadar gitmektedir. Ek olarak, çevresel maruziyet, davranışlar ve bağışıklık sistemi de hassas tıbbı etkileyebilmektedir. YAPAY ZEKA VE VERİ BİLİMİ Gün geçtikçe hassas tıp, yapay zeka ile daha çok içe geçmektedir. Makine öğrenimi, bir makinenin veri eğitimleriyle öğrenip adapte olabildiği bir yapay zeka türüdür. Örneğin bir bilgisayar programı, objeler arasında bağlantı kurma amacıyla öğrenmeye programlanabilir. Bu programlamadan sonra, ‘sınıflandırıcı’ denilen bilgisayar programı objeleri sınıflandırır.
TSRM BLAST www.tsrm.org.tr Üreme Sağlığı ve İnfertilite Derneği
Makine öğrenimi temel olarak iki tip öğrenim barındırır: denetimli öğrenme veya denetimsiz öğrenme. Denetimli öğrenmede sınıflar-veya başlıklar- öğrenim sırasında bilinir durumdadır. Aksine, denetimsiz öğrenmede, verilerin içindeki yapıları ilişkilendirerek sınıfları kendisi bulmaktadır. Prediktif modeller yaratmak ve objeleri sınıflandıracak haritalandırmaları öğrenmek için makine öğreniminin kullanıldığı birkaç yöntem bulunmaktadır. En sık kullanılan yöntemlerden bazıları lojistik regresyon, random forests (RFs), saf Bayes sınıflandırıcı, destek vektör makineleri (SVMs) ve son zamanlarda geliştirilen derin networklerin de içinde bulunduğu yapay nöral şebekelerdir. Lojistik regresyon prediktif analizler için sıkça kullanılan bir denetimli istatistiksel tekniktir. Çift bileşenli değişkenler (örneğin kanser olan ve kanser olmayan) ve bir veya birden fazla bağımsız değişkenli (örneğin genetik, sigara kullanımı) durumlar arasındaki ilişkiyi açıklar. Lojistik regresyonun popüler bir makine öğrenimi tekniği olmasının nedenleri: 1) uygulaması kolaydır ve fazladan birkaç parametre eklemek mümkündür 2) tahmin doğruluğuna katkıda bulunan özelliklerin yorumunu sağlar, buna P değerinin oluşturulmasındaki katkıları da dahildir. 3) değişkenler arasındaki etkileşimleri modellemeyi sağlar 4) sınıflandırma ve eğitim verileri fazla karmaşık olmadığı durumlarda genel olarak iyi bir kararlılık gösterir. Rastgele orman (Random Forest) yöntemi, verilerin içinden rastgele seçilen durumlar arasında büyük boyutlarda ‘karar ağacı’ oluşturmaktır. Her karar ağacı nesneleri sınıflandırmak için basit kurallar kullanır. Her karar ağacı, her nesne için sınıfını "oylar" ve her bir oylamanın toplamı, bir nesnenin belirli bir sınıfa ait olma olasılığını tahmin etmek için kullanılır. Karar ağacı metodunun kullanımı nesneler arasındaki kompleks bağıntıları yakalayarak sınıflandırma konusunda çok iyi sonuçlar elde edilmesini sağlar. Saf Bayes sınıflandırıcılar, obje hakkında sağlanan verileri kullanarak bir objenin bir sınıfa ait olma olasılığını belirlemek için Bayes kuralını kullanır. Bu sınıflandırıcıların ‘saf’ olarak adlandırılmasının sebebi ise, yapılan sınıflandırma işleminin sınıflardan bağımsız olarak yapılmasından gelir. Her özelliğin ağırlığı, eğitimin bir parçası olarak etiketli verilerden hesaplanır. Saf Bayes sınıflandırılmasının popüler olmasının sebebi sezgisel, yorumlanabilir ve modüler yapıya sahip olmasından kaynaklanır. Saf Bayes sınıflandırıcıları karar verirken Bayes Teoremini kullanır ve bu nedenle de fazlasıyla etkili ve ölçülebilir sonuçlar verir. Özellikle büyük veri paketleri için kullanılır. Destek vektör makineleri (SVM), nesneleri analiz edilen alt düzlemi tanımlayarak nesneleri sınıflandırmayı öğrenir. Boyutlar örneklemin boyutunu aştığında SVM’ler çok etkili olsa da, büyük veri paketlerinde uygulanabilir değillerdir ve uygulanması yavaştır. Yapay nöral şebekeler, insan beyninin çalışma yöntemlerini taklit eden makine öğrenimi teknikleridir. Nöral bir şebeke, her nöronun uca birbirine bağlı olduğu birkaç adet yapay katmandan oluşur. Her nöron, önceki katmandaki birkaç adet nörondan sinyaller alır ve bu sinyaller spesifik bir eşiğin üzerindeyse ‘ateşler’. Yapay nöron şebekeleri; dereceli düşüş tekniğini kullanarak katmanlar arasında hatalı verilerin iletilmesini azaltır ve genellikle 3 katmandan oluşur: girdi, saklı ve çıktı. Derin nöral şebekeler, katman sayılarını ve her katmandaki nöron sayılarını arttırarak genişler, bu nedenle daha karmaşık objeleri sınıflandırmak için kullanılabilir (fotoğraf ve video gibi). Objelerin daha karmaşık bir hale gelmesi bilgisayarın yapması gereken hesaplama sayısını artırır dolayısıyla derin öğrenme ağları kurmak için daha fazla bilgisayar gücü gerekir. Sık kullanılan bir derin nöral şebeke biçimi’’Convolutional Neural Network (CNN)’’ bir katmandan bitişik nöron gruplarının bir sonraki katmandaki bireysel nöronlara bilgi ilettiği, böylece çeşitli özellikleri çıkardığı ve görüntülerde görülen hiyerarşik kalıpları yakaladığı ‘evrişimli’ sinir ağıdır.
TSRM BLAST www.tsrm.org.tr Üreme Sağlığı ve İnfertilite Derneği
CNN’ler görüntü sınıflandırma ve nesne yakalanmasında çok güçlü bir yöntemdir. Bu sebeple biyomedikal görüntüleme alanlarında çok sıkça kullanılırlar. Bilgi işlem gücü ve donanım tasarımındaki son gelişmelerle, özellikle grafik işleme birimlerinin kullanılabilirliğiyle, bu derin sinir ağlarının verimli bir şekilde uygulanması artık mümkündür. TensorFlow, Keras ve PyTorch gibi arayüzler derin öğrenme uygulamalarını kullanır. Bir Google ürünü olan TensorFlow, açık kaynak kodlu bir yazılımdır. Yazılımcılar için kolaylıkla makine öğrenimi modelleri geliştirmeyi ve nöral şebekeler oluşturmayı sağlar. Keras, TensorFlow’un üst düzey bir programlama uygulamasıdır ve modern derin nöral şebekeler yaratılmasını sağlar. PyTorch ise Facebook’un yapay zeka araştırma laboratuvarları tarafından geliştirilen bir açık kaynak kodlu yazılımdır. Aynı zamanda Python arayüzü de derin öğrenme yazılımlar geliştirmek için çok popülerdir. YAPAY ZEKA VE VERİ BİLİMİNİN TIPTA KULLANIMI Derin nöral şebekeler konusunda son zamanlarda görülen gelişmeler yapay zeka ve veri biliminin tıpta kullanılmasında önemli bir yer kaplamaktadır. Örneğin, derin nöral şebekeler, geniş genomik verilerin içinden genetik varyantların kolayca saptanmasında ve genetik veya somatik varyantların fonksiyonel etkisinin saptanmasında kullanılır. En çok görüntü ve videolar konusunda gelişmeler izlenmiştir. Örneğin, ciltteki lezyonlara yapay zekanın uygulanmasıyla lezyonun malign olup olmadığına kararı verilebilir, retina taramalarına yapay zeka uygulanarak diyabetik retinopati ve diğer retinal hastalıklar yüksek oranda saptanabilmektedir. Yapay zeka; patoloji verilerine (doku fotoğrafları) uygulanarak farklı kanser subtiplerini birbirinden ayırabilir, tümörlerin genetik komponentleri olup olmadığını belirleyebilir, radyolojik görüntülerde hastalıklara tanı koyabilir ve kolonoskopi görüntülerinde polipleri belirleyebilir. Yapay zekanın görüntülü olmayan verilere uygulanması da gelecek vaad etmektedir. Örneğin, derin öğrenme yönteminin tıbbi verilere uygulanmasıyla, birden çok merkezdeki binlerce hastanın tıbbi kayıtları incelenmiş ve 60 gün içinde hastaneye tekrar başvuru oranı başarılı bir şekilde belirlenmiştir. GENOM BİLİMİ VE YAPAY ZEKANIN ÜREME TIBBINDAKİ ETKİLERİ HASSAS TIP UYGULAMALARINA DOĞRU GELİŞMELER Genom bilimindeki gelişmeler, reproduktif tıp ve fertilite tedavilerinde hassas tıp uygulamalarının kullanılmasına sebep olmuştur. Genetik taşıyıcıların taranmasıyla preimplantasyon genetik testler uygulanarak mutant olmayan embriyoların kullanılması sağlanabilir. İlerleyen zamanlarda embriyo kültürlerinden elde edilen DNA örnekleri güvenilir bir şekilde sekanse edilir ve embriyo hücrelerindeki DNA’lar kullanılabilirse preimplantasyon genetik testler daha az invaziv hale getirilebilir. Postimplantasyon genetik testler trizomi 21 ve diğer genetik anomalilerin tanısında kullanılabilir. Benzer şekilde, non-invaziv prenatal testler gebe kanında yeterli miktarda fetal DNA saptayarak genetik anomalilerin, kromozom sayısındaki anomalilerin ve Mendelian bozuklukların tanısını koyabilir. Aynı zamanda bu genomik teknolojiler önceden bilinmeyen karmaşıklıkları açıklayabilir. Örneğin, tek-hücre DNA sekanslama ile embriyoların %80’inde mozaik anöploidileri olduğu ortaya koyulmuştur. Yapay zeka aynı zamanda üreme tıbbında tedavilerin kişiselleştirilmesine yardımcı olmaktadır. Örneğin, derin öğrenme ile statik veya time-lapse embriyo resimleri incelenerek blastokist kalitesinin belirlenmesi sağlanabilir. Aynı zamanda embriyonun spesifik bölgelerini (iç hücre tabakası ve trofoektoderm gibi) tanımak üzere eğitilebilir ve böylece embriyo kalitesinin belirlenmesi için bir algoritma geliştirebilir. Embriyo seleksiyonu optimize edilerek çoğul gebelikler ve çoğul gebeliklere bağlı risklerin görülme olasılığı azaltılabilir.
TSRM BLAST www.tsrm.org.tr Üreme Sağlığı ve İnfertilite Derneği
Derin öğrenme yöntemi, sperm kalitesini analiz etmede de kullanılabilir, böylece ICSI sonuçları da optimize edilebilir. Yapay zeka; kadın hastalıkları ve doğumda başka alanlarda da kullanılabilir, örneğin fetal kalp atımının monitorizasyonu, preterm doğumun önceden saptanabilmesi ve gebelik komplikasyonları gibi. Hormon tedavisinin bireyselleştirilmesi, rahim zarının otomatik olarak değerlendirilmesi gibi heyecan verici yeni yapay zeka uygulamalarının, üreme tıbbı uygulamalarını kişiselleştirmek suretiyle sonuçları iyileştirip komplikasyonları sınırlandıracağını tahmin ediyoruz ZORLUKLAR VE SINIRLAMALAR Yapay zekanın tıpta uygulanması konusunda birçok zorlukla karşılaşılmıştır. Bu iki alanın birleştirilmesine engel olan sıkıntılar tanımlanmış durumdadır. Bunlardan biri yapay zeka ve hassas tıbbın ikisinde de tam standardizasyon eksikliklerinin olmasıdır. Genetik analiz için mikroarrayden, tüm genom sekanslamaya kadar birçok teknoloji kullanılabilir. Bu platformlar arasında yeteri kadar kıyaslama yapılmamıştır ve yapılan kıyaslamalarda da bazı tutarsız noktalar görülmüştür. Bu, büyük olasılıkla, platformlar arasında yakalama performansının farklı olmasından ve farklı değişkenlerin ve farklı filtreleme eşiklerinin kullanılmasından kaynaklanabilir. Buna benzer şekilde, yapay zeka modellerini valide etmek için birçok teknoloji ve yazılım bulunmaktadır. Bir diğer problem, yapay zekanın kullanıldığı hassas tıp ve genomik uygulamalarda kullanılan verilerin taraflı olması nedeniyle bu çalışmalar konusunda tartışmalar mevcuttur. Örnek vermek gerekirse; bir makine öğrenim modeli iyi ve kötü nitelikte resimlerden oluşan iki veri grubu ile eğitilirse ve bu gruplar içinde kötü resimler iyi resimlerden daha fazlaysa, kötü resimleri tanıyan yapay zekanın başarı oranı daha yüksek olacaktır. Veriler spesifik bir demografik grup veya belirli bir görüntü grubundan alınır. Bu verilerle eğitilen sınıflandırıcılar, verilere bağlı olarak taraflı olabilir ve bu nedenle de prospektif olarak kullanıldıklarında taraflı tahminlere sebep olur. Hassas tıp uygulamalarında mihenk taşı olarak görülen genomik veri gruplarında da gizlenmiş taraflılıklar olduğu görülmüştür. Taraflılık en belirgin şekilde, verilerin sağlandığı kohortlardaki etnik çeşitliliğin sınırlı olmasından kaynaklanır. Büyük klinik veri setlerini kullanarak öğrenmek isteyen ve bu bilgiyi hastalara uygulamak isteyen araştırmacıların bu tür taraflılıkların olabileceğini bilmeleri çok önemlidir. Böylece, ya birden çok merkez ve kaynaktan birden çok veri kümesini bir araya getirerek ya da öğrendiklerini anlayarak bunları sınırlandırmaya çalışabilirler. Hassas tıpta; yapay zeka ya da genomiks, veya her ikisi tarafından yönlendirilsin, kohortları çoğaltma ve ileriye dönük doğrulama, kritik öneme sahiptir. Verilerin doğrudan hastalardan sağlanması gereken veriler olduğu için bilgilere ulaşmak kolay olmamaktadır. Bazı hasta bazlı veri bankaları halka açıktır, örneğin Sperm Başı Morfolojisi veri bankası (HuSHeM), ama bu bankalar küçüktür. HIPAA kanunları gibi gizlilik koruma yöntemleri, elektronik sağlık kayıtları ve bilgi işlem sistemlerinin karmaşık olması ve medikal merkezlerin arasındaki rekabet gibi faktörler nedeniyle veriler merkezler arasında paylaşılamaz ve bu da yapay zeka eğitimlerinin tarafsızlığını arttırma önünde bir engeldir. Kanser ve radyoloji gibi bazı spesifik alanlarda bu zorluklar aşılarak geniş halka açık veri bankaları kurulmuştur. Birleştirilmiş öğrenme gibi yeni makine öğrenimi biçimleri bu veri paylaşım sorunlarının bazılarının ele alınmasına yardımcı olabilir. Aynı zamanda uygulanabilirlik de bir sorundur. Bunun nedeni, yapay zeka yazılımlarının uygulanabilmesi için klinik olarak valide edilmiş akışlarının tekrar valide edilmesi gerekir. Çünkü çoğu yapay zeka yazılımı, tıp eğitimi almış bir insanın aksine, bir örüntü eşleştirmek üzere eğitilmiştir ve neden sonuç ilişkisi kuramadığı için borderline durumları
TSRM BLAST www.tsrm.org.tr Üreme Sağlığı ve İnfertilite Derneği
saptayamaz. Yapay zeka ve insan etkileşimini entegre etmeye yönelik yaklaşımlardan biri, insan makine işbirliğidir. Cilt kanseri tanısında, yapay zeka temelli karar mekanizmaları tanı koyma konusunda başarılı bulunmuştur. Daha az deneyimli klinisyenlerin yapay zeka yazılımlarından,daha tecrübeli klinisyenlere göre daha fazla faydalandığı görülmüştür. Buna benzer bir şekilde, akciğer filmlerinden pnömoni tanısı koyulması konusunda yapılan çalışmalarda, radyologlar ve derin öğrenme algoritmaları birlikte, tek başına radyologlar veya tek başına derin öğrenme ile kıyaslanmıştır. Yapay zeka ve insanlar arasındaki bu tip işbirlikleri ile gelecekte daha sık karşılaşılacaktır. Yapay zeka çoğu vakada büyük miktarda otomatize kararlar alacak, fakat bazı daha karmaşık vakalarda yapay zekanın gücünün yetmediği mantık ilişkilerine ihtiyaç duyulacaktır. SONUÇ Hassas tıp, mevcut tedavilerin ötesinde, tedavilerin bireyselleştirilmesi ile ilgilenen bir tıp dalıdır. Yapay zeka ve veri bilimi çok yeni olan iki bilim dalı olarak gelecekte hassas tıp için çok önemli rol oynayacaktır. Bu tip gelişmeler farklı zorlukları da beraberinde getirebilir. Bu derlemede yapay zeka ve hassas tıp ile ilgili genel bilgi verildi, yapay zeka da bugüne kadar uygulanan etkili uygulamaları kapsayan temel kavramlar, zorluklar ve sınırlamalar göz önüne getirildi. Yapay zeka bugün yeni bir gelişme olmasına rağmen tıbbın birçok dalında büyük etkilere sahiptir ve üreme tıbbında çok daha büyük etkilere sahip olacaktır. Hem hassas tıbbın, hem de yapay zekanın geleceğin IVF kliniğinde önemli bir rol oynayacağını, sonuçları iyileştirmede, gebelik komplikasyonlarını azaltmada ve çiftlerin üreme süreçlerini daha iyi kontrol etmelerinde etkili olacağını düşünüyoruz.
TSRM BLAST www.tsrm.org.tr Üreme Sağlığı ve İnfertilite Derneği
Embrİyo Değerlendİrmesİnde AkIllI SInIflandIrma AlgorİtmasI (ERICA): Embrİyo Plöİdİ ve İmplantasyonu Tahmİn Eden Yapay Zeka Klİnİk AsİstanI Embryo Ranking Intelligent Classification Algorithm (ERICA): Artificial Intelligence Clinical Assistant Predicting Embryo Ploidy and Implantation Reproductive BioMedicine Online Makale Tarih, Sayı: 2020, Vol41(4), 585-593 DOI: 10.1016/j.rbmo.2020.07.003 Çeviri: Dr. Berk Özgit, Doç. Dr. Belgin Devranoğlu Zeynep Kamil Eğitim ve Araştırma Hastanesi Özet Bir yapay zeka modeli olan ERICA, öploidiyi tahmin etme yeteneği açısından test edildi. ERICA, anöploidi için time-lapse inkübatörlere veya invaziv preimplantasyon genetik testlere gerek kalmadan, plöidi ve gebelik sonucunu tahmin etmede, blastokistleri plöidi tahmin etme doğruluğuna göre başarı ile sıralayarak embriyo seçim sürecinde embriyologlara yardımcı olabilecektir. Giriş Araştırma Sorusu: Derin bir makine öğrenimi yapay zeka algoritması, bilinen bir statik blastokist görüntü veri kümesinde plöidi ve implantasyonu tahmin edebilir mi ve deneyimli embriyologlarla performansı ve şansı nasıl kıyaslanır? Tasarım: Bilinen sonuçlara sahip bir blastokist görüntü veritabanı, ERICA (Embriyo değerlendirilmesinde akıllı sınıflandırma algoritması) ile uygulandı. Öploidiyi tahmin etme, plöidi tahminini rastgele atanan prognoz etiketleri ve kıdemli embriyologlarla karşılaştırma ve bir öploid embriyoyu yüksek derecede sıralayabilme becerisine göre değerlendirildi. Sonuçlar: Toplam 1231 embriyo görüntüsü, öploid ve implante olmuşsa iyi prognoz veya anöploid ve implantasyon başarız olmuşsa kötü prognoz olarak sınıflandırıldı. Öploidiyi tahmin etmek için pozitif tahmin değeri 0.79 olan ERICA ile 0.70'lik bir doğruluk elde edildi. ERICA, rastgele seçime (P= 0.0007) ve her iki embriyologa (sırasıyla P = 0.0014 ve 0.0242) göre daha fazla normalized discontinued cumulative gain (sıralama ölçütü) sahipti. ERICA, vakaların %78,9' unda ilk olarak bir öploid blastokisti ve %94,7' sinde ilk iki blastokist içinde en az bir öploid embriyoyu sıraladı, bu rastgele sınıflandırmadan ve iki kıdemli embriyologdan daha iyi sonuç. Dört blastokist için ortalama embriyo sıralama süresi 25 saniyenin altındaydı. Sonuç: Görüntü modellerini tanımada yapay zeka elverişlidir. ERICA’yı tek bir statik embriyo görüntüsünü kullanarak plöidi ve implantasyon potansiyeline göre embriyoları sıralaması için eğittik. Bu araç, embriyologların en iyi embriyoyu seçmesinde potansiyel olarak dikkate değer avantajı temsil eder, notlandırma için harcanan zamandan tasarruf sağlar, time lapse inkübatörlere gerek yoktur ve invaziv biyopsi gerektirmez. Gelecekteki çalışmalar, farklı veri setlerinde tekrarlanabilirliği değerlendirmek için yönlendirilmelidir. Giriş Her infertil çiftin ve fertilite kliniğinin amacı minimum tedavi müdahalesi ile başarılı bir gebelik elde etmektir. Ne yazık ki, gebeliği etkileyen faktörler, çok unsurludur ve tam olarak anlaşılamamıştır. Erkek ve kadın faktörleri söz konusu olabilir, fakat kadın yaşı (ve sonra gelen yumurta kalitesi) en önemli etkenlerden biridir. Yardımcı üremede sonuçları etkileyen 200’den fazla etken mevcuttur, bunların çoğu gamet ve embriyoların kalitesinden, laboratuvardan ve yöntemlerin etkilerinden kaynaklanmaktadır. İmplantasyonu ön gören tek bir test, gözlem veya algoritma bulunamamıştır. Anormal embriyo genetiği, düşüklerin en sık nedenidir. Personel etkileri, kültür ortamı, endometrial ortam, maternal ve paternal sağlık, embriyo transferinin kolaylığı gibi diğer faktörler her zaman sonuç üzerinde bir
TSRM BLAST www.tsrm.org.tr Üreme Sağlığı ve İnfertilite Derneği
miktar etkiye sahip olacaktır; bu yüzden mevcut durumda herhangi bir embriyo değerlendirmesinin %100 başarılı sonucu tahmin etmesi olası değildir. Genetik embriyo test teknolojisi bir süredir mevcut, ancak çeşitli nedenlerden dolayı yaygın kabul görememiştir. Preimplantasyon Genetik Test-Anöploidi Taraması’nın (PGT-A), tüm yaş gruplarındaki hastalarda başarıyı arttırdığına dair kanıtlar kısıtlıdır; ancak anöploidinin daha sık olduğu yaşlı hastalarda (>35 yaş) bir rol oynayabilir. Böylece anöploid embriyoları aktarmayarak gebelik için zaman kazandırır. PGT-A’nin dezavantajları; invaziv olması, maliyeti, tüm embriyoları dondurma gereksinimi, yüksek folliküler yanıt, embriyodan çıkarılan birkaç hücrenin tanısal doğruluğuna bağlı bir varsayımda bulunmasıdır. Gelecekteki gelişmeler arasında; blastosöl sıvısının değerlendirilmesi gibi minimal invaziv PGT-A, kültür ortamının analizi ve tüm genom değerlendirilmesi gibi yöntemler bulunmaktadır. Bu teknikler günümüzde hala araştırılmaktadır. Tarihsel olarak, embriyo seçimi embriyonun çeşitli gelişim aşamalarındaki morfolojik görünümlerine dayalı olarak embriyologlar tarafından gerçekleştirilmiştir. Bu seçim yöntemi, bugüne kadar en çok kabul gören ve yaygın olarak kullanılan yöntemdir. Daha yakın zamanlarda, time-lapse inkübatörlerin piyasaya sürülmesiyle, morfo-kinetik değerlendirme, zengin veri sağlayan bazı laboratuvarlarda tanıtıldı. Çoğu laboratuvar, pahalı ve değerlendirmenin derinliğine bağlı olarak zaman alıcı olabilen time-lapse inkübatörler olmadan faaliyet göstermektedir. Yapay zeka, embriyo seçimine yönelik gelişmekte olan bir teknolojidir, ancak PGT’nin tanısal doğruluğunun belirlenmesi gibi alternatif amaçları da olabilir. Tıbbi uygulamalarda, yapay zeka giderek daha fazla kabul görmektedir. Geniş veri kümelerini, preimplantasyon kültürüne göre, insanlar için mümkün olamayacak bir hızda analiz etmektedir. Yapay zeka; gelişmiş matematik ile embriyo gelişiminin statik görüntüsü veya video analizi ile kritik morfolojik özellikleri hesaplayabilir ve analiz edebilir. Doğası gereği invaziv değildir ve zamanı geldiğinde, var olan yaklaşımlardan daha fazla veri değerlendirdiği ve karşılaştırdığı için daha uygun fiyatlı ve hatasız olabilir. Geleneksel morfoloji değerlendirilmesi ve morfokinetik analiz ile embriyo derecelendirilmesi embriyo implantasyonunu tahmin etmede en kesin ve en doğru yol olmayabilir; ancak standartlaştırılmış ve dünya çapında kabul görmüştür. Bu çalışmanın amacı, ERICA isimli bir yapay zeka modelinin, embriyoları derecelendirme yeteneğini test etmektir. Malzemeler ve Yöntemler Veritabanı Açıklaması 1231 blastokist mikrografından oluşan veritabanı sorgulandı. Mikrograflar, Ocak 2015 ve Haziran 2019 arasında New Hope Fertility Center’ın Meksika, New York ve Guadalajara şubelerinde yardımcı üreme teknikleri ile tedavi görmüş hasta grubundan elde edildi. Mikrograflar, standard optik ışık kullanılarak bu ters mikroskopların biriyle çekilmiştir: Olympus IX71 (lazer, 400x veya 200x objektifler) (640x480 piksel) veya Olympus IX73 (400X veya 200X objektifler) (807 × 603 piksel). Manuel olarak düzeltilmiş görüntüler, bir dizi kalite filtresinden geçirildi: Yapıların açıkça görülebilmesi için yeterli ışık, zona pellucida ve trophektodermin keskin odağı, görünür aletlerin olmadığı görme alanında çok az veya hiç parça bulunmayan mikrograf başına bir embriyo, görüntünün sınırları içinde gösterilen bütün embriyo (zona pellucida dahil), embriyoların görünürlüğünü engellemeyen görüntülerdeki metin ve semboller. Tüm görüntüler, döllenmeden beş veya altı gün sonra ve biyopsi, kriyoprezervasyon veya transfer gibi herhangi bir müdahaleden önce çekildi. Bahsedilen üç merkezde de tercih edilen fertilizasyon yöntemi intrasitoplazmik sperm enjeksiyonuydu. Görüntü kalitesi için manuel iyileştirmeden sonra, 946 mikrograf kaldı. Bunların, toplam 841 embriyosu bilinen plöidi durumuna sahipti (373 euploiddi) ve 156 tanesi tek embriyo transferinden sonra bilinen beta- HCG sonucuna sahipti. (51 embriyonun hem plöidi hem de beta-HCG durumu biliniyordu.) Veri tabanından, bilinen