Yapay Zekâ IVF Başarısını Öngörebilir mi? Embriyo İmplantasyonunu Tahmin Etmede Makine Öğrenmesi Yaklaşımı

Tüp bebek tedavisinde hangi faktörler implantasyon olasılığını etkiliyor? Yapay zekâ bu faktörleri birlikte değerlendirerek embriyo implantasyonunu öngörebilir mi?

Yardımcı üreme tekniklerinde tedavi başarısını etkileyen çok sayıda değişken bulunmaktadır. Kadının yaşı, embriyonun özellikleri, uygulanan ovaryan stimülasyon, endometrial özellikler ve sperm parametreleri bu değişkenlerden bazılarıdır.

Bu kadar çok değişkenin aynı anda değerlendirilmesi, klasik istatistiksel yöntemlerle her zaman kolay değildir. Makine öğrenmesi, çok sayıda değişken arasındaki ilişkileri analiz ederek klinik sonuçların öngörülmesinde kullanılabilecek yöntemlerden biridir.

2022 yılında Reproductive BioMedicine Online dergisinde yayımlanan bu çalışmada, farklı makine öğrenmesi algoritmalarının tek tek embriyoların implantasyon başarısını tahmin etmedeki performansı karşılaştırılmıştır.

Çalışmanın Amacı Neydi?

Araştırmacılar iki temel soruya yanıt aramıştır:

Hangi makine öğrenmesi modeli IVF siklusunda embriyo implantasyonunu daha başarılı şekilde tahmin edebilir?
İmplantasyon sonucunu tahmin etmede hangi klinik ve embriyolojik değişkenler daha önemlidir?

Çalışmanın önemli özelliklerinden biri, yalnızca embriyo morfolojisine odaklanmak yerine demografik, ovaryan stimülasyon, embriyo ve sperm parametrelerinin birlikte değerlendirilmesidir.

Çalışmada Kaç Embriyo Değerlendirildi?

Araştırmada Türkiye’deki tek bir IVF merkezinde Mart 2014–Mart 2018 arasında gerçekleştirilen tedavilere ait veriler retrospektif olarak incelenmiştir.

Başlangıçta 1146 hastaya ait 1952 embriyo değerlendirilmiş, çalışma kriterleri sonrasında 939 transfer edilmiş embriyoanaliz edilmiştir.

Bu embriyoların:

192’sinde (%20,45) implantasyon
747’sinde (%79,55) implantasyon olmaması

kaydedilmiştir.

Çalışmada yalnızca implantasyon sonucu güvenilir şekilde belirlenebilen embriyoların kullanılması, modelin bireysel embriyo düzeyindeki tahmin performansını değerlendirmek açısından önemli bir tasarım tercihidir.

Yapay Zekâ Modeline Hangi Veriler Verildi?

Araştırmacılar toplam 17 değişkeni dört ana grupta değerlendirmiştir:

1. Demografik değişkenler

Kadın yaşı
Vücut kitle indeksi
Gebelik öyküsü
İnfertilite faktörü

2. Ovaryan stimülasyon değişkenleri

Toplam gonadotropin dozu
Stimülasyon süresi
hCG günündeki estradiol düzeyi
Toplam oosit sayısı
Matur oosit sayısı
Folikül sayısı
Endometrium kalınlığı

3. Embriyo ile ilişkili değişkenler

Embriyo kalitesi
Embriyo transfer günü
Transfer denemesi

4. Sperm parametreleri

Toplam sperm sayısı
Toplam sperm motilitesi
Progresif motilite

Bu nedenle çalışma yalnızca “embriyo görüntüsüne bakarak” implantasyonu tahmin eden bir yapay zekâ modeli değildir. Hasta, tedavi siklusu, embriyo ve sperm verileri birlikte modele dahil edilmiştir.

Hangi Makine Öğrenmesi Modelleri Karşılaştırıldı?

Araştırmada dokuz farklı sınıflandırma algoritması kullanılmıştır:

Logistic Regression (LR)
Decision Tree (DT)
Naïve Bayes (NB)
Random Forest (RF)
Support Vector Machine (SVM)
Neural Network (Nnet)
Gradient Boosting Decision Tree (GBDT)
eXtreme Gradient Boosting (XGBoost)
Super Learner (SL)

Veriler %70 eğitim ve %30 test setine ayrılmış; modellerin performansı 10 katlı çapraz doğrulama yöntemiyle 10 kez tekrarlanarak değerlendirilmiştir.

En Başarılı Model Hangisiydi?

Çalışmada özellikle Random Forest (RF) ve Super Learner (SL) modelleri diğer yöntemlere göre daha yüksek performans göstermiştir.

Test verilerinde:

Random Forest

Doğruluk: %89
Özgüllük: %94
F1 skoru: %73–74
AUROC: yaklaşık %82–83

Super Learner

Doğruluk: %89
Özgüllük: %94
F1 skoru: %74
AUROC: %83

olarak bulunmuştur.

Özellikle ağaç tabanlı ensemble modellerin, çalışmada kullanılan diğer algoritmalara kıyasla daha başarılı olduğu görülmüştür.

IVF Başarısını Tahmin Etmede En Önemli Faktör Neydi?

Çalışmanın en dikkat çekici sonuçlarından biri kadının yaşının modelde en önemli değişken olarak belirlenmesidir.

Random Forest modelinde değişkenlerin önem sıralamasında öne çıkan faktörler:

Kadın yaşı
Embriyo transfer günü
Estradiol konsantrasyonu
Toplam gonadotropin dozu
Vücut kitle indeksi

olmuştur.

SHAP analizi de değişkenlerin model üzerindeki etkisinin daha ayrıntılı olarak değerlendirilmesini sağlamıştır. Bu analizde özellikle 5. gün embriyo transferi ve daha genç maternal yaşın, modelin implantasyon tahminiyle ilişkili olduğu görülmüştür.

Sperm Parametreleri Modelde Önemli miydi?

Çalışmada sperm parametreleri de modele dahil edilmiştir.

Univaryant analizde toplam sperm motilitesi ve progresif motilite ile implantasyon arasında istatistiksel olarak anlamlı farklılıklar bulunmuştur:

Toplam sperm motilitesi: P = 0,027
Progresif motilite: P = 0,021

Bununla birlikte, makine öğrenmesi modelindeki değişken önem sıralamasında sperm parametreleri maternal yaş, transfer günü ve ovaryan yanıtla ilişkili değişkenlerin gerisinde kalmıştır. Toplam sperm sayısı ve progresif motilite ise modelde anlamlı katkı göstermeyen değişkenler arasında değerlendirilmiştir.

Bu Çalışma Yapay Zekânın IVF Başarısını Kesin Tahmin Ettiğini mi Gösteriyor?

Hayır.

Çalışmanın sonuçları, makine öğrenmesi yöntemlerinin mevcut veri setinde embriyo implantasyonunu belirli bir doğrulukla tahmin edebildiğini göstermektedir. Ancak bu, herhangi bir hastanın IVF sonucunun kesin olarak öngörülebileceği anlamına gelmez.

Araştırmacılar da çalışmanın temel sınırlılıklarından birinin örneklem büyüklüğü olduğunu ve elde edilen tahminlerin genellenebilmesi için veri setinin yeterince büyük olmadığını belirtmiştir. Ayrıca çalışmada yalnızca dokuz makine öğrenmesi tekniği değerlendirilmiştir.

Bu nedenle sonuçlar, klinik uygulamada doğrudan kullanılabilecek kesin bir “başarı hesaplayıcısı” olarak değil, makine öğrenmesinin IVF sonuçlarının öngörülmesindeki potansiyelini gösteren bir araştırma bulgusu olarak değerlendirilmelidir.

Embriyoloji Alanında Yapay Zekânın Geleceği

Bu çalışma, yapay zekâ ve makine öğrenmesinin yardımcı üreme tekniklerinde yalnızca embriyo görüntülerinin değerlendirilmesiyle sınırlı olmadığını göstermesi açısından önemlidir.

Hasta özellikleri, ovaryan stimülasyon verileri, embriyo özellikleri ve sperm parametreleri gibi farklı veri kaynaklarının aynı model içerisinde değerlendirilmesi, IVF tedavisinin çok faktörlü yapısının daha kapsamlı şekilde analiz edilmesine olanak sağlayabilir.

Araştırmacılar, elde edilen modellerin IVF sikluslarının sonuçlarını daha iyi öngörmeye ve klinisyenlerin hastalara yönelik danışmanlık süreçlerine katkı sağlayabileceğini belirtmektedir.

Sonuç

Makine öğrenmesi, IVF tedavisinde embriyo implantasyonunu öngörmek için kullanılabilecek güçlü bir araştırma aracıdır.

Bu çalışmada Random Forest ve Super Learner gibi ensemble modeller en yüksek performansı göstermiştir. Modelde en önemli değişken maternal yaş olurken, embriyo transfer günü, estradiol konsantrasyonu ve toplam gonadotropin dozu da önemli öngördürücüler olarak belirlenmiştir.

Ancak yapay zekâ modellerinin klinik olarak güvenilir biçimde kullanılabilmesi için daha büyük, farklı merkezlerden elde edilen ve daha geniş değişken setlerini içeren veri kümeleriyle doğrulanması gerekmektedir.

Bilimsel Not

Bu içerik, Yiğit P, Bener A ve Karabulut S tarafından yayımlanan “Comparison of machine learning classification techniques to predict implantation success in an IVF treatment cycle” başlıklı çalışmanın bulguları temel alınarak hazırlanmıştır. Çalışma Reproductive BioMedicine Online, 2022;45(5):923–933’te yayımlanmıştır.

Kaynak

Yiğit P, Bener A, Karabulut S. Comparison of machine learning classification techniques to predict implantation success in an IVF treatment cycle. Reproductive BioMedicine Online. 2022;45(5):923–933. doi:10.1016/j.rbmo.2022.06.022.