Aprendizaje profundo como herramienta de apoyo a la decisión en selección embrionaria para FIV: revisión de la literatura
DOI:
https://doi.org/10.36825/RITI.14.34.003Palabras clave:
Aprendizaje Profundo, Selección de Embriones, Implantación, Fecundación In Vitro, Inteligencia ArtificialResumen
Esta revisión se sitúa en el campo de las tecnologías de la información aplicadas a la salud, con enfoque en el desarrollo y evaluación de modelos de aprendizaje profundo como sistemas de apoyo a la decisión clínica. El objetivo del trabajo consiste en revisar la evidencia científica disponible de modelos de aprendizaje profundo aplicados a la selección de embriones humanos en la fecundación in vitro, para brindar un panorama a los lectores mediante la revisión de artículos publicados en revistas de alto impacto. Se realizó una búsqueda en bases de datos indexadas en Scopus, PubMed y Web of Science, publicados del año 2021 a 2026. La estrategia de búsqueda se llevó a cabo mediante palabras clave como ‘fecundación in vitro’, ‘selección embrionaria’, ‘aprendizaje profundo’ e ‘inteligencia artificial’. Se identificaron 45 artículos potencialmente relevantes, de los cuales 11 cumplieron los criterios de inclusión por lo que fueron analizados e integrados en la síntesis final priorizando estudios que reportaron métricas de desempeño. La heterogeneidad entre los estudios limitó la comparabilidad de los resultados, no obstante, los modelos inteligentes demuestran potencial para evaluar embriones y predecir implantación, su rendimiento es similar o superior a los métodos convencionales. La literatura expone diversos estudios, sin embargo, la predicción clínica fiable aún requiere profundizar en los modelos integrados y mejor validación.
Citas
AlSaad, R., Abusarhan, L., Odeh, N., Abd-Alrazaq, A., Choucair, F., Zegour, R., Ahmed, A., Aziz, S., Sheikh, J. (2025). Deep learning applications for human embryo assessment using time-lapse imaging: Scoping review. Frontiers in Reproductive Health, 7, 1-18. https://doi.org/10.3389/frph.2025.1549642
Alzubaidi, L., Zhang, J., Humaidi, A. J., Al-Dujaili, A., Duan, Y., Al-Shamma, O., Santamaría, J., Fadhel, M. A., Al-Amidie, M., Farhan, L. (2021). Review of deep learning: Concepts, CNN architectures, challenges, applications, future directions. Journal of Big Data, 8 (1), 1-74. https://doi.org/10.1186/s40537-021-00444-8
World Health Organization. (2023). 1 in 6 people globally affected by infertility. https://www.who.int/news/item/04-04-2023-1-in-6-people-globally-affected-by-infertility
Hamamah, S., Barry, F. (2025). Épidémiologie de la fertilité et facteurs qui l'affectent. EMC - Gynécologie-Obstétrique, 61 (1), 1–12. https://doi.org/10.1016/S1283-081X(24)49933-5
Graham, M. E., Jelin, A., Hoon, A. H., Floet, A. M. W., Levey, E., Graham, E. M. (2023). Assisted reproductive technology: Short- and long-term outcomes. Developmental Medicine & Child Neurology, 65 (1), 38–49. https://doi.org/10.1111/dmcn.15332
Mancuso, F., Singh, M., Shanks, A. L. (2026). In vitro fertilization. StatPearls Publishing. https://www.ncbi.nlm.nih.gov/books/NBK562266/
Cívico Vallejos, Y., Hernández Dacruz, B., Cívico Vallejos, S. (2022). Selección de embriones en los tratamientos de fecundación in vitro. Clínica e Investigación en Ginecología y Obstetricia, 49 (1). https://doi.org/10.1016/j.gine.2021.100709
Grammenou, M., Michou, V., Itziou, A., Tsiotsias, A., Eskitzis, P. (2026). The psychological impact of in vitro fertilization (IVF): A gender systematic review. Healthcare, 14 (3), 1-31. https://doi.org/10.3390/healthcare14030375
Borna, M.-R., Sepehri, M. M., Maleki, B. (2024). An artificial intelligence algorithm to select most viable embryos considering current process in IVF labs. Frontiers in Artificial Intelligence, 7, 1-10. https://doi.org/10.3389/frai.2024.1375474
Citarella, A. A., Battistoni, P., Coscarelli, C., De Marco, F., Di Biasi, L., Wang, M. (2025). EmbryoVision AI: An explainable deep learning framework for enhanced blastocyst selection in assisted reproductive technologies. Image and Vision Computing, 165, 1-11. https://doi.org/10.1016/j.imavis.2025.105795
Dimitriadis, I., Zaninovic, N., Chavez Badiola, A., Bormann, C. L. (2022). Artificial intelligence in the embryology laboratory: A review. Reproductive BioMedicine Online, 44 (3), 435–448. https://doi.org/10.1016/j.rbmo.2021.11.003
Onthuam, K., Charnpinyo, N., Suthicharoenpanich, K., Engphaiboon, S., Siricharoen, P., Chaichaowarat, R., Suebthawinkul, C. (2025). Combined input deep learning pipeline for embryo selection for in vitro fertilization using light microscopic images and additional features. Journal of Imaging, 11 (1), 1-13. https://doi.org/10.3390/jimaging11010013
Papatheodorou, A., Gilboa, D., Seidman, D., Oraiopoulou, C., Karagianni, M., Papadopoulou, M. I., Tsarfati, M., Kubany, A., Christoforidis, N., Chatziparasidou, A. (2022). P-197 Successful implementation of an end-to-end artificial intelligence (AI) platform in a busy IVF clinic: A prospective observational study. Human Reproduction, 37(Suppl. 1), deac107.190. https://doi.org/10.1093/humrep/deac107.190
Boucret, L., Chabrun, F., Boguenet, M., Reynier, P., Bouet, P.-E., May-Panloup, P. (2025). Deep-learning model for embryo selection using time-lapse imaging of matched high-quality embryos. Scientific Reports, 15, 1-13. https://doi.org/10.1038/s41598-025-10531-y
Zhao, X., Wang, L., Zhang, Y., Han, X., Deveci, M., Parmar, M. (2024). A review of convolutional neural networks in computer vision. Artificial Intelligence Review, 57, 1-43. https://doi.org/10.1007/s10462-024-10721-6
Page, M. J., McKenzie, J. E., Bossuyt, P. M., Boutron, I., Hoffmann, T. C., Mulrow, C. D., Shamseer, L., Tetzlaff, J. M., Akl, E. A., Brennan, S. E., Chou, R., Glanville, J., Grimshaw, J. M., Hróbjartsson, A., Lalu, M. M., Li, T., Loder, E. W., Mayo-Wilson, E., McDonald, S., McGuinness, L. A., Stewart, L. A., Thomas, J., Tricco, A. C., Welch, V. A., Whiting, P., Moher, D. (2021). The PRISMA 2020 statement: An updated guideline for reporting systematic reviews. BMJ, 372, 1-9. https://doi.org/10.1136/bmj.n71
Lash, T. L., VanderWeele, T. J., Haneuse, S., Rothman, K. J. (2021). Modern epidemiology (4th Ed.). Wolters Kluwer.
Thirumalaraju, P., Kanakasabapathy, M. K., Bormann, C. L., Gupta, R., Pooniwala, R., Kandula, H., Souter, I., Dimitriadis, I., Shafiee, H. (2021). Evaluation of deep convolutional neural networks in classifying human embryo images based on their morphological quality. Heliyon, 7 (2), 1-12. https://doi.org/10.1016/j.heliyon.2021.e06298
Illingworth, P. J., Venetis, C., Gardner, D. K., Nelson, S. M., Berntsen, J., Larman, M. G., Agresta, F., Ahitan, S., Ahlström, A., Cattrall, F., Cooke, S., Demmers, K., Gabrielsen, A., Hindkjær, J., Kelley, R. L., Knight, C., Lee, L., Lahoud, R., Mangat, M., … Hardarson, T. (2024). Deep learning versus manual morphology-based embryo selection in IVF: A randomized, double-blind noninferiority trial. Nature Medicine, 30 (11), 3114–3120. https://doi.org/10.1038/s41591-024-03166-5
Theilgaard Lassen, J., Fly Kragh, M., Rimestad, J., Nygård Johansen, M., Berntsen, J. (2023). Development and validation of deep learning based embryo selection across multiple days of transfer. Scientific Reports, 13, 1-9. https://doi.org/10.1038/s41598-023-31136-3
Ueno, S., Berntsen, J., Okimura, T., Kato, K. (2024). Improved pregnancy prediction performance in an updated deep-learning embryo selection model: A retrospective independent validation study. Reproductive BioMedicine Online, 48 (1), 1-10. https://doi.org/10.1016/j.rbmo.2023.103308
Ueno, S., Berntsen, J., Ito, M., Uchiyama, K., Okimura, T., Yabuuchi, A., Kato, K. (2021). Pregnancy prediction performance of an annotation-free embryo scoring system on the basis of deep learning after single vitrified-warmed blastocyst transfer: A single-center large cohort retrospective study. Fertility and Sterility, 116 (4), 1172–1180. https://doi.org/10.1016/j.fertnstert.2021.06.001
Bohlin, T., Kurkkio, E., Adolfsson, E., Berntsen, J., Nygård Johansen, M., Apter, S., Caisander, G., Kristensen, K., Schmidt, J. (2024). Comparison of the deep learning tool iDAScore® and the current annotation model, KIDScore™ D5, for finding the embryo with best chance of pregnancy after elective single blastocyst transfer: A randomized multi-centre prospective pilot study. Reproductive BioMedicine Online, 48 (Suppl. 1). https://doi.org/10.1016/j.rbmo.2024.104025
Miyagi, Y., Habara, T., Hirata, R., Hayashi, N. (2024). Predicting implantation by using dual AI system incorporating three-dimensional blastocyst image and conventional embryo evaluation parameters: A pilot study. Reproductive Medicine and Biology, 23 (1), 1-10. https://doi.org/10.1002/rmb2.12612
Mapstone, C., Hunter, H., Brison, D., Handl, J., Plusa, B. (2024). Deep learning pipeline reveals key moments in human embryonic development predictive of live birth after in vitro fertilization. Biology Methods and Protocols, 9 (1), 1-12. https://doi.org/10.1093/biomethods/bpae052
Gilboa, D., Garg, A., Shapiro, M., Meseguer, M., Amar, Y., Lustgarten, N., Desai, N., Shavit, T., Silva, V., Papatheodorou, A., Chatziparasidou, A., Angras, S., Lee, J. H., Thiel, L., Curchoe, C. L., Tauber, Y., Seidman, D. S. (2025). Application of a methodological framework for the development and multicenter validation of reliable artificial intelligence in embryo evaluation. Reproductive Biology and Endocrinology, 23 16), 1-12. https://doi.org/10.1186/s12958-025-01351-w
Salih, M., Austin, C., Warty, R. R., Tiktin, C., Rolnik, D. L., Momeni, M., Rezatofighi, H., Reddy, S., Smith, V., Vollenhoven, B., Horta, F. (2023). Embryo selection through artificial intelligence versus embryologists: A systematic review. Human Reproduction Open, 2023 (3), 1-13. https://doi.org/10.1093/hropen/hoad031
Kragh, M. F., Karstoft, H. (2021). Embryo selection with artificial intelligence: How to evaluate and compare methods? Journal of Assisted Reproduction and Genetics, 38 (7), 1675–1689. https://doi.org/10.1007/s10815-021-02254-6
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2026 Revista de Investigación en Tecnologías de la Información
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.
Esta revista proporciona un acceso abierto a su contenido, basado en el principio de que ofrecer al público un acceso libre a las investigaciones ayuda a un mayor intercambio global del conocimiento.
El texto publicado en la Revista de Investigación en Tecnologías de la Información (RITI) se distribuye bajo la licencia Creative Commons (CC BY-NC
), que permite a terceros utilizar lo publicado citando a los autores del trabajo y a RITI, pero sin hacer uso del material con propósitos comerciales.
