불임에 대한 일반적인 치료법인 체외수정(In vitro fertilization. IVF)은 예비 부모에게 오랜 시간이 걸린다. 이 과정이 성공적인 임신으로 끝나지 않는 경우 종종 정신적으로나 재정적으로 타격을 줄 수 있다.

시드니에 기반을 둔 헬스케어 스타트업인 해리슨.ai(Harrison.ai)는 기존 임상 워크 플로우에 통합되어 중요한 의료 결정을 내리고 환자 결과를 개선하는 맞춤형 AI 예측 알고리즘을 구축하고 있다. 특히, 체외수정에서 임신 가능성을 예측하기 위한 딥러닝 모델 '아이비(IVY)'을 성공적으로 개발해 실제 임상에서 수천 명의 체외수정 환자의 성공 가능성을 개선하고 있다.

현재 AI 모델 IVY는 세계적인 불임클리닉 네트워크인 버투스 헬스(Virtus Health)가 의사에게 어떤 배아 후보자가 환자에게 가장 잘 이식 될 가능성이 있는지 평가하는 데 사용되고 있다. 일반적으로 성숙한 배아를 선택하는 평균 배아의 성공률은 약 65 % 인 반면 모델은 93 % 로 체외수정에서 임상 임신 성공률을 30 % 이상 증가 시켰다.

IVF의 단일주기 동안 환자로부터 10 개 이상의 난을 수확 할 수 있다. 가장 유망한 후보 (또는 후보)가 환자의 자궁에 이식되기 전에 5 일 동안 배아를 실험실에서 배양한다. 그러나 미국 질병 통제 예방 센터에 따르면 5 일 배아의 이식 성공률은 50 세 미만, 40 세 이상 여성의 경우 25 %에 가깝다.

체외수정에서는 배아 성장의 시간 경과 비디오를 수동으로 분석하여 제일 좋은 후보자를 선정한다. 이는 보편적인 채점(선별) 시스템이 없고 전문가들 사이의 동의가 낮은 주관적인 프로세스로 배아마다 5 일의 영상이 제공되므로 임상의가 모든 프레임을 보는 것이 거의 불가능 했다.

이 딥러닝 모델은 배아의 5 일 전체 비디오 피드를 분석하여 스틸 이미지를 기반으로 통찰력을 제공한다.

특히 이 모델은 버투스 헬스의 4 개국 8 개 IVF 실험실에서 10,000 명 이상의 인간 배아를 포함한 데이터 세트로 학습시켰으며, 배아의 정밀한 형태학적 특징으로 각 이미지에 주석을 달지 않고 각 배아를 단일 또는 부정적 결과라는 단일 레이블로 분류했다.

또한 늘어나는 교육 데이터 세트를 유지하기 위해 GPU 클러스터를 4 개의 지포스(GeForce) 카드에서 가장 빠른 딥러닝 워크스테이션 엔비디아 DGX Station으로 업그레이드 했다. 또 텐서코어 GPU에 대한 학습을 컴퓨팅을 활용하여 학습시간을 4 배 단축했다.

한편 이 회사는 실험, 연구 및 개발을 위해 데스크 사이드 형 DGX 스테이션을 사용했으며, 가장 큰 데이터 세트를 교육하기 위해 아마존 EC2 P3 클라우드 인스턴스에서 최대 규모의 엔비디아 V100 GPU 클러스터로 확장, NGC 컨테이너를 사용해 온 프레미스 시스템에서 클라우드로 워크플로를 원활하게 전환했다.