درمان ناباروری را می‌توان به فراز و نشیبی مالی و عاطفی تعبیر کرد. شکست مکرر فرآیند لانه‌گزینی، به میزان سه بار یا بیشتر و بدون دلیل مشخص در چرخه‌های لقاح خارج رحمی (IVF)، برای زوج‌های خواهان باروری نقطه‌ی پایانی مکرر و ناراحت‌کننده بوده و انتظار برای مؤفقیت درمان، بار سنگین فیزیکی و عاطفی برایشان به همراه دارد. بر اساس تخمین‌های صورت گرفته، قریب به دو سوم بیماران، شکست در چرخه‌های درمانی را تجربه می‌کنند.
بر این مبنا، جا برای پیشرفت در این زمینه بسیار است؛ حوزه‌ای از تحقیقات که کوچک‌ترین پیشرفت در تکنولوژی، شانس تشکیل خانواده را برای افراد فراهم می‌کند. حال استارت‌آپ _شرکت نوپا_ هوش مصنوعی مرتبط با ناباروری ادعای پیشبرد عظیمی در این حوزه دارد.
در حال حاضر از هوش مصنوعی برای حل برخی چالش‌های بزرگ سلامت بهره گرفته می‌شود. به عنوان مثال، شرکت IBM مدلی کامپیوتری برای پیش‌بینی نارسایی قلبی طراحی کرده است؛ علاوه بر این، سوپرکامپیوتر واتسون را برای استفاده در اختیار مرکز سرطان Memorial Sloan Kettering در نیویورک قرار داده تا در جهت پیشبرد تشخیص و گزینش برنامه‌های درمانی سرطان به کار گرفته شود. با انتساب به Watson for Genomics، پروزه‌ی مذکور ماهیانه تقریباً ۱۰ هزار مقاله‌ی علمی و ۱۰۰ گزارش بالینی جدید را شامل می‌شود. دانشگاه استنفورد الگوریتمی از یادگیری عمیق را گزارش کرده که ترکیبات دارویی را از لحاظ ایمن بودن بررسی می‌کند و مورد دیگری که نوع سرطان ریه و احتمال زنده ماندن بیمار را تخمین می‌زند. Intel نیز اخیراً از برگزاری مسابقه‌ای جهت کشف الگوریتم تشخیص زودهنگام سرطان ریه خبر داده است.
مقاله‌ی مرتبط: هوش مصنوعی برای مبارزه با سرطان
ایده‌ی به کار گیری هوش مصنوعی در زمینه‌ی ناباروری از حدود دو دهه پیش مطرح شده؛ در حال حاضر در دسترس‌ترین راه‌حل موجود تست Eeva است که مجوز FDA را دریافت کرده است. این تست از تصویربرداری میکروسکوپی جهت جمع‌آوری داده‌های مرتبط با دوره‌ی کشت رویان استفاده می‌کند و البته الگوریتمی برای پیش‌بینی این که کدام رویان بیش‌ترین شانس تکوین مؤفق را دارا است.
این هوش مصنوعی واقعی نیست؛ چرا که الگوریتم مقوله‌ای ایستا بوده و با اطلاعات جدیدی که با آن‌ها مواجه می‌شود، قابل انطباق نیست. سیستم واقعی هوش مصنوعی از “یادگیری عمیق” برای تصحیح و تطبیق خود بر مبنای اطلاعات جدید استفاده می‌کند. مفهوم “یادگیری” در یادگیری عمیق از آموزش نشأت می‌گیرد: صدها یا هزاران واحد اطلاعاتی به یک مدل ارائه شده و بر این اساس، پیش‌بینی خروجی آینده صورت می‌پذیرد. سپس پیش‌بینی‌ها با خروجی‌های واقعی مقایسه شده و مدل مذکور با تطبیق، خود را تصحیح کرده و تغییرات لازم را انجام می‌دهد. در این سیستم ماهیت ورودی می‌تواند متن، صدا، سیگنال‌های مختلف و مهم‌تر از این‌ها، اپلیکیشن‌ها و تصاویر پزشکی باشد.
مقاله‌ی مرتبط: هوش مصنوعی؛ نکات مثبت و منفی
سیستم‌های هوش مصنوعی برای IVF، هنوز در مرحله‌ی آزمایشی قرار دارند؛ اما نتایج اخیر امیدوارکننده بوده است. به عنوان مثال در یک مورد، سیستم با تصویربرداری از رویان‌های گاوی، بهترین آن‌ها را از لحاظ شانس زنده ماندن شناسایی می‌کند. در مجموع، سیستم هوش مصنوعی با میزان دقت ۷۶ درصد، جزئیات ریزی از سیگنال‌های جنین‌های کم‌کیفیت دریافت می‌کند که ارزیابی‌های انسانی قادر به تشخیص نیست.
در ارتباط با ناباروری انسانی، استارت‌آپِ هوش مصنوعی جدیدی تحت عنوان Life Whisperer، هدایت چالش پیشبرد هوش مصنوعی از سطح آزمایشی و نظری بر رویان‌های واقعی انسانی را عهده‌دار گشته است. Steve Wozniak از سرمایه‌گذاران Apple، این استارت‌آپ را برنده‌ی جهانی جایزه‌ی “Best Idea—One to Watch” می‌داند.
البته شرکت‌های استارت‌آپ اجازه‌ی انتشار نتایج خود را برای داوری تخصصی “peer review” ندارند. به گفته‌ی Life Whisperer، آزمایش‌های مبتنی بر گذشته‌ای که این شرکت در همکاری با شریک تجاری خود Monash IVF انجام داده است، سطح بالایی از میزان دقت در شناسایی رویان‌های قادر به ادامه‌ی حیات را نشان داده‌اند.
علاوه بر این، شناسایی رویان‌های قادر به ادامه‌ی حیات تنها اولین مانع موجود در IVF است. در گام بعدی، رویان‌ها باید به میزبان انسانی منتقل شوند. در حالی که زنان تحت درمان معمولاً بالای ۳۵ سال سن داشته و اغلب شکست لانه‌گزینی را به صورت مکرر و بدون هیچ توضیحی تجربه کرده‌اند. گاهی نیز مسئله‌ی ناباروری مشخصی از قبیل اندومتریوز در آن‌ها مطرح است.
اگر بخواهیم نقطه‌ی اوجی برای کاربرد هوش مصنوعی در زمینه‌ی ناباروری متصور شویم، این نقطه بر مبنای ادغام سابقه‌ی پزشکی، دموگرافیک‌های بیماران، رژیم‌های درمان دارویی، غربالگری ژنتیکی پیش از لانه‌گزینی، اطلاعات نتایج بالینی بارداری و اطلاعات پیچیده‌ای است که در حال حاضر در سیستم‌های متعدد و ناسازگار مدیریت می‌شود. این امر به پزشکان در انتخاب بهترین گزینه‌ی درمانی از بین انتخاب‌های متنوع موجود کمک می‌کند؛ گزینه‌ای که بیش‌ترین میزان مؤفقیت را داشته و اطلاعات جدید را بر اساس پاسخ‌های بیمار به درمان‌ها می‌پذیرد.
در جنین‌شناسی بالینی هنوز ویژگی‌هایی که بهتر بتوانند نتیجه‌ی IVF را پیش‌بینی کنند، شناخته نشده است. احتمالاً مهم‌ترین متغیر برای یک چرخه‌ی IVF مؤفق در علم ناشناخته است؛ اما در اصل سیستم هوش مصنوعی می‌تواند این متغیر را شناسایی کند. در واقع یک مانع اساس در زمینه‌ی هوش مصنوعی پزشکی وجود دارد: ما چیزی را که نمیشناسیم، نمیشناسیم! و متخصصان انسانی باید به سیستم هوش مصنوعی این عامل را آموزش دهند.
