Sviluppo di Modelli di Intelligenza Artificiale per Supportare la Fecondazione in Vitro

La fecondazione in vitro (FIV) è una delle tecniche di procreazione medicalmente assistita più utilizzate, ma la valutazione degli embrioni da impiantare rimane una delle sfide principali per aumentare le probabilità di successo della gravidanza. Questa tesi esplora l’uso di tecniche di intelligenza artificiale (AI) per migliorare tale processo di valutazione. La ricerca è stata condotta utilizzando un dataset composto da 4537 video time-lapse di embrioni, con lo scopo di predire il raggiungimento dello stadio di blastocisti entro i primi tre giorni di sviluppo embrionale. L’analisi ha seguito un approccio in tre fasi: inizialmente sono state applicate tecniche di stima del flusso ottico per esaminare i movimenti citoplasmatici negli embrioni, al fine di estrarre informazioni dinamiche rilevanti. Successivamente, sono state calcolate delle metriche riassuntive del flusso ottico frame per frame così da generare delle serie temporali. Infine, i dati ottenuti sono stati utilizzati per addestrare modelli di machine learning (ML) e deep learning (DL), con l’obiettivo di predire l’eventuale stadio di blastocisti. I risultati indicano una performance di accuratezza moderata, tra il 60% e il 70%, con margini di miglioramento legati principalmente alla qualità dei dati e alle tecniche di preprocessing. Questa tesi pone le basi per studi più approfonditi che possono portare verso l’applicazione clinica di metodi non invasivi di AI per comprendere meglio il processo biologico di blastocisti al fine di ottimizzare i tassi di successo delle tecniche di fecondazione assistita.