3 fatores que impulsionam a ciência da reprodução humana.

ciência da reprodução humana

Há 3 fatores que impulsionam a ciência da reprodução humana – a inteligência artificial, a ciência de dados e a medicina de precisão. A capacidade aprimorada de desvendar a composição genética de pacientes individuais levou ao conceito de medicina de precisão. A medicina de precisão desvenda a particularidade genética dos indivíduos e a composição molecular característica de suas doenças e, em seguida, busca usar essas informações para combinar cada indivíduo com o melhor tratamento. Essa correspondência é cada vez mais possível porque agora temos acesso a uma variedade de tratamentos para muitas doenças e uma maior compreensão das alterações moleculares associadas à provável resposta a tratamentos individuais.

A capacidade identificar as moléculas de DNA de um tumor que estão circulando no sangue do indivíduo doente, em vez de utilizar material de biópsia do tumor coloca a análise genômica cada vez mais disponível para mais pacientes no futuro, pois constitui um método de análise menos invasivo. A pesquisa em medicina de precisão busca aumentar nossa capacidade de entender e prever a eficácia do tratamento, dadas as informações que podem ser obtidas sobre a particularidade de cada indivíduo. Vem se tornando fator preponderante para a evolução da ciência da reprodução humana.

A ciência da Reprodução Humana -Medicina de precisão, Inteligência Artificial e Ciência de Dados

Cada vez mais, a medicina de precisão está sendo aprimorada pela inteligência artificial (IA). O aprendizado de máquina é uma forma de IA em que um computador pode aprender e se adaptar às situações e ao treinamento de dados. Normalmente, um conjunto de dados de treinamento é usado para treinar um programa de computador para conectar objetos, como imagens que são descritas usando uma série de recursos – cor, forma e textura – com rótulos ou classes específicas, por exemplo, câncer ou não câncer. Uma vez treinado, o programa de computador (também chamado de algoritmo), denominado classificador, é usado para rotular objetos.

O aprendizado de máquina engloba duas abordagens principais: aprendizado supervisionado e não supervisionado. Na aprendizagem supervisionada, as classes ou rótulos são conhecidos durante o treinamento. Em contraste, o aprendizado não supervisionado, como agrupamento hierárquico, é usado para descobrir a estrutura dos dados, como a existência de classes. Existem várias técnicas de aprendizado de máquina que podem ser usadas para aprender como mapear objetos para classes e criar modelos preditivos. Algumas das técnicas mais frequentemente usadas incluem regressão logística, florestas aleatórias (RFs), classificador Bayes ingênuo, máquinas de vetores de suporte (SVMs) e redes neurais artificiais, incluindo as redes neurais profundas recentemente desenvolvidas.

Redes Neurais – Aprendizado profundo e seu impacto na ciência da reprodução humana

Uma rede neural normalmente consiste em várias camadas de neurônios artificiais totalmente conectados uns aos outros por bordas, cada uma associada a um peso. Cada neurônio recebe sinais de vários neurônios na camada anterior, integra esses sinais e “dispara” se os sinais integrados estiverem acima de um limite específico. Redes neurais artificiais aprendem usando uma técnica de gradiente descendente, propagando e reduzindo erros de classificação de camadas para camadas. As redes neurais artificiais geralmente consistem em três camadas: entrada, oculta e saída. As redes neurais profundas estendem as redes neurais, aumentando o número de camadas e o número de neurônios por camada.

Mais camadas e mais neurônios podem representar modelos mais complexos; portanto, redes neurais profundas podem ser treinadas para classificar objetos complexos, por exemplo, imagens ou vídeos. Essa complexidade aumentada vem com o custo de computação e poder de computação cada vez maiores necessários para treinar redes neurais profundas, principalmente na área da ciência da reprodução humana.

Redes Neurais Convolucionais (CNN)

Uma forma frequentemente usada de rede neural profunda é a rede neural convolucional (CNN), na qual grupos de neurônios adjacentes de uma camada alimentam neurônios individuais na próxima camada, extraindo assim vários recursos e capturando padrões hierárquicos vistos em imagens. CNNs são muito poderosos para classificação de imagens e detecção de objetos. Assim, eles são amplamente utilizados nos domínios da imagem biomédica. Com os avanços recentes na capacidade de computação e design de hardware, particularmente a disponibilidade de unidades de processamento gráfico, a implementação eficiente dessas redes neurais profundas agora é viável.

Aplicação de IA e ciência de dados à medicina em geral

O recente desenvolvimento de redes neurais profundas impulsionou importantes aplicações de IA e ciência de dados na medicina. Por exemplo, redes neurais profundas podem ser usadas para detectar variantes genéticas a partir de conjuntos de dados genômicos em grande escala e inferir o impacto funcional da linhagem germinativa e variantes genéticas somáticas. Aprendizado profundo e outras abordagens de aprendizado de máquina podem em breve ser usadas para prever respostas à terapia com base em características genômicas.

Redes neurais profundas tornaram-se instrumentais na expansão da medicina de precisão além da genômica, especialmente no aproveitamento de imagens médicas para fornecer medicina mais personalizada. Uma abordagem popular e poderosa para usar redes neurais profundas para análise de imagens envolve o uso de uma técnica chamada aprendizagem de transferência, em que partes das redes são pré-treinadas em conjuntos de dados de imagem muito grandes, como ImageNet, com mais de 14 milhões de imagens. ImageNet é atualmente um conjunto de dados padrão para redes pré-treinadas. Esse pré-treinamento permite a adaptação e o ajuste fino em conjuntos de dados médicos relativamente pequenos, com talvez apenas algumas centenas de imagens em cada classe (em oposição a um conjunto de dados muito maior necessário para treinar do zero).

Aplicações das Redes Neurais Profundas

Imagens e vídeos são talvez onde a IA foi mais transformadora na medicina. Por exemplo, IA aplicada a imagens de lesões cutâneas pode prever se a lesão é maligna ou não e IA aplicada a varreduras de retina pode prever retinopatias diabéticas e outras doenças da retina com alta precisão. Aplicado a dados de patologia (imagens de tecido), AI pode ser usado para diferenciar entre diferentes subtipos de câncer prever se os tumores têm certas alterações genéticas, diagnosticar doenças a partir de imagens de radiologia, e até mesmo identificar pólipos em vídeos de colonoscopia.
A inteligência artificial aplicada a dados não imagiológicos também se mostra promissora. Por exemplo, o aprendizado profundo foi aplicado a dados de prontuários médicos de milhares de pacientes de vários centros e demonstrou prever de forma confiável o risco de readmissão em 60 dias, entre outras métricas.

A Genômica

O impacto da genômica e da IA ​​na medicina reprodutiva – avançando em direção à medicina de precisão. Alguns dos desenvolvimentos em genômica já levaram o campo mais amplo de reprodução e tratamento de fertilidade a abraçar a filosofia da medicina de precisão. Por exemplo, o rastreamento genético de portadores pode ajudar os pais a fazerem escolhas reprodutivas, como se o teste genético pré-implantação deve ser usado para selecionar embriões que podem não ser portadores de mutações específicas.

Em pacientes mais velhas submetidas à fertilização in vitro (FIV), o teste genético pré-implantação para aneuploidia pode ajudar a selecionar embriões com maior probabilidade de dar origem a gestações bem-sucedidas. O teste genético pré-implantação pode em breve se tornar menos invasivo se o DNA de culturas de embriões puder ser sequenciado de forma confiável e mostrado para espelhar o DNA em células embrionárias.

PGD – diagnóstico genético pré-implantacional

O teste genético pós-implantação também é usado para diagnosticar a trissomia 21 e outras anormalidades genéticas. Da mesma forma, o teste pré-natal não invasivo (biópsia líquida) em mulheres grávidas pode detectar DNA fetal suficiente no sangue para diagnosticar anormalidades genéticas, como um número anormal de cromossomos e variantes genéticas associadas a distúrbios Mendelianos. Paradoxalmente, as mesmas tecnologias genômicas também revelam uma complexidade até então desconhecida. Por exemplo, o sequenciamento de DNA de uma única célula mostrou que 80% dos embriões têm aneuploidias em mosaico.

A Inteligência Artificial e a ciência da medicina reprodutiva

A inteligência artificial também começou a impactar a ciência da reprodução humana, levando a uma maior personalização. Por exemplo, a aprendizagem profunda pode prever a qualidade do blastocisto com base na estática ou imagens de embriões com lapso de tempo com alta precisão em pacientes individuais.

Redes Neurais identificando e classificando embriões

Uma CNN também pode ser treinada para reconhecer áreas específicas no embrião, como a massa celular interna e o trofectoderma, que pode então ser alimentado em um algoritmo que avalia a qualidade do embrião. Como sugerimos, otimizar a seleção de embriões pode reduzir a probabilidade de gestações múltiplas e seus riscos associados. O aprendizado profundo também pode ser usado para analisar a qualidade do esperma, ajudando assim a otimizar a injeção intracitoplasmática de esperma.
Existem também muitas outras aplicações da IA ​​em obstetrícia e ginecologia, como monitoramento mais inteligente da frequência cardíaca fetal durante a gravidez, bem como previsão e detecção de trabalho de parto prematuro e complicações na gravidez

Prevemos que essas novas e estimulantes aplicações de IA, como individualização do tratamento hormonal, avaliação automatizada do revestimento do útero e muitas outras, continuarão a tornar a medicina reprodutiva mais precisa e individualizada, melhorando assim os resultados e limitando as complicações.

Limitações e desafios da IA e da medicina de precisão

Numerosos desafios na implementação da IA ​​na medicina foram descritos.
Muitos deles se aplicam à medicina de precisão e à IA, dois campos que atingiram a maturidade recentemente. Por exemplo, a medicina de precisão e a IA sofrem de uma relativa falta de padronização. Na análise genética, é possível obter resultados de um amplo número de tecnologias, de microarrays a painéis de captura direcionados e sequenciamento do genoma inteiro. As comparações entre essas plataformas são limitadas, mas aquelas que foram feitas mostram algum grau de divergência nos resultados, e particularmente complicado na ciência da reprodução humana.

Provavelmente, isso pode ser explicado pela variação do desempenho de captura entre plataformas e diferentes limites de chamada e filtragem de variantes. Da mesma forma, no campo de IA, existem inúmeras técnicas disponíveis e bibliotecas de software para treinar modelos de IA e uma escassez de conjuntos de dados grandes o suficiente disponíveis publicamente para validar métodos de IA de forma robusta.

Bias – Vieses da IA e da Ciência de Dados

Um desafio amplamente discutido que se aplica à medicina de precisão conduzida por IA e genômica é a presença de vieses nos dados usados ​​para aprender novos conhecimentos médicos ou treinar modelos preditivos

Para explicar usando um exemplo simples, se um modelo de aprendizado de máquina é treinado em duas classes de dados de imagem, por exemplo, imagens boas ou ruins, e o número de imagens ruins supera amplamente as imagens boas, a IA que prevê cada imagem como ruim vai conseguir boa performance. Em um exemplo menos trivial, os dados são coletados de um grupo demográfico específico ou de um tipo específico de dados de imagem. Os classificadores treinados nos dados carregam os vieses dos dados e, portanto, podem fornecer previsões tendenciosas quando usados ​​prospectivamente. Os conjuntos de dados genômicos que servem como a pedra angular da medicina de precisão também demonstraram ter profundos vieses. O mais visível é a diversidade étnica limitada presente nas coortes de onde vêm esses conjuntos de dados. Esse tipo de viés (ou bias) é muito comum dentro da ciência da reprodução humana.

A consequência de tais vieses é uma medicina de precisão que pode não apenas funcionar melhor em algumas populações do que outras, mas também pode levar a diagnósticos errados em populações sub-representadas potencialmente causando danos e exacerbando as disparidades de saúde.

É fundamental que os pesquisadores que buscam aprender com grandes conjuntos de dados clínicos e aplicar esse conhecimento a pacientes individuais saibam como procurar esses vieses. Eles podem então tentar limitá-los, por exemplo, agrupando vários conjuntos de dados de vários centros e fontes, ou para entender o que aprenderam; por exemplo, o modelo de IA que eles produziram pode não ser aplicável a certos conjuntos de dados cujas tendências são distintas do conjunto de dados de treinamento. Quer se trate de medicina de precisão impulsionada por IA, genômica ou ambos, a replicação entre coortes e a validação prospectiva também são essenciais ao aprender os vieses potenciais, o que ocorre quando os desempenhos em coortes de replicação são observados como mais baixos do que em coortes de treinamento, essencialmente nos diversos campos da ciência da reprodução humana.

O tamanho e a representatividade dos dados é importante

Em uma questão relacionada, o tamanho e a representatividade dos conjuntos de dados de treinamento são uma limitação em campos onde os dados são derivados de pacientes. Alguns conjuntos de dados derivados de pacientes estão disponíveis publicamente, por exemplo, o conjunto de dados de Morfologia da Cabeça de Esperma Humana (HuSHeM), mas tendem a ser pequenos. As salvaguardas de privacidade, como as leis HIPAA, a complexidade dos sistemas legados de registros eletrônicos de saúde (EHR) / tecnologia da informação (TI) e a competição entre centros médicos dificultam o compartilhamento de dados entre os centros e a construção de conjuntos de dados grandes e diversos o suficiente para treinamento em IA. Em certos campos, como câncer ou radiologia, algumas dessas limitações foram superadas e grandes conjuntos de dados públicos foram construídos .

Novas formas de aprendizado de máquina, como aprendizado federado, podem um dia ajudar a resolver alguns desses problemas de compartilhamento de dados. O mesmo se diz para a ciência da reprodução humana.

A implementação também é um desafio. Isso ocorre porque o software de IA precisa ser integrado a fluxos de trabalho validados clinicamente e existentes que precisam de revalidação e, portanto, constituem uma barreira para a implementação. Como a maior parte da IA ​​é baseada em correspondência de padrões e não implica nenhum raciocínio, ela não gerencia casos limítrofes tão bem quanto um raciocínio humano treinado em medicina. Uma abordagem para integrar IA e interação humana é por meio da colaboração homem-máquina, uma área ativa de investigação. Isso é particularmente trabalho para a ciência da reprodução humana.

Para o diagnóstico de câncer de pele, o apoio à decisão com base em IA demonstrou melhorar a precisão do diagnóstico em comparação com IA ou apenas com os médicos; além disso, parecia que os médicos menos experientes podem se beneficiar mais do suporte baseado em IA do que os mais experientes.

Da mesma forma, o diagnóstico de pneumonia em radiografias de tórax foi melhorado quando grupos de radiologistas e algoritmos de aprendizado profundo foram combinados em comparação com radiologistas ou aprendizado profundo sozinho.

Essas colaborações entre humanos e IA podem se tornar frequentes no futuro. Por exemplo, a IA pode ser capaz de tomar decisões amplamente automatizadas na maioria dos casos, mas alguns casos podem precisar de um raciocínio complexo que ainda não pode ser aprendido pela IA.

Conclusão

A medicina de precisão, uma forma de medicina que busca individualizar o tratamento além do que é feito atualmente, está atraindo interesse substancial. Inteligência artificial e ciência de dados, dois campos que só recentemente atingiram a maturidade, desempenharão cada vez mais um papel central na expansão do alcance da medicina de precisão. Essa evolução encontrará desafios significativos. Nesta revisão, procuramos apresentar uma visão geral da medicina de precisão e IA. Em particular, buscamos introduzir conceitos básicos, mas também desafios e limitações em IA que abrangem muitos, senão a maioria dos aplicativos de IA impactantes até o momento. A inteligência artificial já está impactando muitos campos médicos e prevemos que terá um impacto importante na ciência da reprodução humana. Prevemos que tanto a medicina de precisão quanto a IA desempenharão um papel fundamental na clínica de fertilização in vitro do futuro, melhorando os resultados, mas também reduzindo as complicações na gravidez e permitindo que os casais tenham melhor controle de seu processo reprodutivo.

https://www.fertstert.org/article/S0015-0282(20)32398-0/fulltext

Você pode se interessar:

Compartilhe:

WhatsApp
Email
Facebook
LinkedIn
Twitter