Aplicação de Deep Learning para Aprimorar a Avaliação Morfológica de Embriões em Fertilização in vitro
A fertilização in vitro (FIV) enfrenta desafios devido à natureza subjetiva da seleção de embriões, que depende de avaliações morfológicas feitas por embriologistas. Essas avaliações são frequentemente afetadas pela variabilidade entre observadores, impactando a viabilidade dos embriões, as previsões e o sucesso de implantação. Avanços recentes em inteligência artificial (IA), especialmente redes neurais convolucionais (CNNs), oferecem soluções promissoras para aumentar a objetividade e a confiabilidade dessas avaliações. Neste estudo, foram desenvolvidos e validados modelos baseados em IA, utilizando algoritmos avançados de aprendizado de máquina, incluindo ResNet-50 e VGG-19, com o objetivo de melhorar a precisão na seleção de embriões. Ao automatizar a avaliação do processo, esses modelos buscam reduzir a subjetividade e aumentar a consistência na previsão da viabilidade embrionária. A integração da IA nas práticas clínicas de FIV ainda está em seus estágios iniciais, com muitos estudos baseados em dados retrospectivos e sem validação em cenários clínicos reais. Esta pesquisa visa abordar essas lacunas aplicando os modelos em ambiente clínico e avaliando seu desempenho em um conjunto de dados de imagens de embriões. Os resultados preliminares indicam que o modelo de IA diferencia de forma robusta entre embriões viáveis e não viáveis com alta precisão. No entanto, o estudo reconhece limitações devido ao tamanho reduzido do banco de dados de imagens disponível, o que afeta as capacidades de aprendizagem e generalização do modelo. Trabalhos futuros se concentrarão na expansão do banco de imagens, no aprimoramento das técnicas de aprendizado e no ajuste fino dos parâmetros das redes, com o objetivo de refinar a precisão do modelo e sua utilidade clínica.