The introduction of artificial intelligence (AI) in reproductive medicine is one of the most important modern trends in global healthcare. AI technologies allow to significantly improve the diagnostic system, the method of stimulation, the development of new protols stimulation, as well as improve the quality of eggs and embryos to achieve positive results. positive results. Despite the obvious advantages of using AI-based algorithms, there are a number of limitations to the implementation of these programs in reproductive medicine. Among such challenges, the issue of ethical constraints on AI and the responsibility for the decisions that the program is the program is capable of making.To date, the primary goal of research in the Today, the main challenge for AI research should be to improve the accuracy of the program product.

Conclusion: The review considers the main areas of AI application, various machine learning techniques, ethical limitations and prospects for implementation of these programs in clinical practice, including assisted reproductive technologies (ART).

Artificial intelligence, ART, Reproductive Medicine

Lamb D.J., Niederberger C.S. Artificial intelligence in medicine and male infertility. World J. Urol. 1993; 11(2): 129-36. https://dx.doi.org/10.1007/BF00182040.

Hamet P., Tremblay J. Artificial intelligence in medicine. Metabolism. 2017; 69: S36-40.

Ившин А.А., Багаудин Т.З., Гусев А.В. Искусственный интеллект на страже репродуктивного здоровья. Акушерство и гинекология. 2021; 5: 17-24. https://dx.doi.org/10.18565/aig.2021.5.17-24.

Gore J.C. Artificial intelligence in medical imaging. Magn. Reson. Imaging. 2020; 68: A1-4. https://dx.doi.org/10.1016/j.mri.2019.12.006.

Ranjini K., Suruliandi A., Raja S.P. Machine learning techniques for assisted reproductive technology: a review. J. Circuit. Syst. Comput. 2020; 29(11): 2030010. https://dx.doi.org/10.1142/S021812662030010X.

Wang R., Pan W., Jin L., Li Y., Geng Y., Gao C. et al. Artificial intelligence in reproductive medicine. Reproduction. 2019; 158(4): R139-54. https://dx.doi.org/10.1530/REP-18-0523.

Barnett-Itzhaki Z., Elbaz M., Butterman R., Amar D., Amitay M., Racowsky C. et al. Machine learning vs. classic statistics for the prediction of IVF outcomes. J. Assist. Reprod. Genet. 2020; 37(10): 2405-12. https://dx.doi.org/10.1007/s10815-020-01908-1.

Sidey-Gibbons J.A.M., Sidey-Gibbons C.J. Machine learning in medicine: a practical introduction. BMC Med. Res. Methodol. 2019; 19(1): 64.https://dx.doi.org/10.1186/s12874-019-0681-4.

Saeedi P., Yee D., Au J., Havelock J. Automatic identification of human blastocyst components via texture. IEEE Trans. Biomed. Eng. 2017; 64(12): 2968-78. https://dx.doi.org/10.1109/TBME.2017.2759665.

VerMilyea M., Hall J.M.M., Diakiw S.M., Johnston A., Nguyen T., Perugini D. et al. Development of an artificial intelligence-based assessment model for prediction of embryo viability using static images captured by optical light microscopy during IVF. Hum. Reprod. 2020; 35(4): 770-84.https://dx.doi.org/10.1093/humrep/deaa013.

Hajirasouliha I., Elemento O. Precision medicine and artificial intelligence: overview and relevance to reproductive medicine. Fertil. Steril. 2020; 114(5): 908-13. https://dx.doi.org/10.1016/j.fertnstert.2020.09.156.

Carrasco B., Arroyo G., Gil Y., Gómez M.J., Rodríguez I., Barri P.N. et al. Selecting embryos with the highest implantation potential using data mining and decision tree based on classical embryo morphology and morphokinetics. J. Assist. Reprod. Genet. 2017; 34(8): 983-90. https://dx.doi.org/10.1007/s10815-017-0955-x.

Liao S., Pan W., Dai W., Jin L., Huang G., Wang R. et al. Development of a dynamic diagnosis grading system for infertility using machine learning. JAMA Netw. Open. 2020; 3(11): e2023654.

Filho E.S., Noble J.A., Poli M., Griffiths T., Emerson G., Wells D. A method for semi-automatic grading of human blastocyst microscope images. Hum. Reprod. 2012; 27(9): 2641-8. https://dx.doi.org/10.1093/humrep/des219.

Uyar A., Bener A., Ciray H.N. Predictive modeling of implantation outcome in an in vitro fertilization setting. Med. Decis. Making. 2015; 35(6): 714-25. https://dx.doi.org/10.1177/0272989X14535984.

Khan A., Gould S., Salzmann M. Automated monitoring of human embryonic cells up to the 5-cell stage in time-lapse microscopy images. In: 2015 IEEE 12th International Symposium on Biomedical Imaging (ISBI). IEEE; 2015: 389-93.

Miyagi Y., Habara T., Hirata R., Hayashi N. Feasibility of deep learning for predicting live birth from a blastocyst image in patients classified by age. Reprod. Med. Biol. 2019; 18(2): 190-203. 1 https://dx.doi.org/0.1002/rmb2.12266.

Keskinbora K.H. Medical ethics considerations on artificial intelligence. J. Clin. Neurosci. 2019; 64: 277-82. https://dx.doi.org/10.1016/j.jocn.2019.03.001.

Организация объединенных наций по вопросам образования науки и культуры (ЮНЕСКО). Рекомендация об этических аспектах искусственного интеллекта. Генеральная конференция, 41-я сессия, Париж, 2021.

Национальная стратегия развития искусственного интеллекта на период до 2030 года. Утверждена указом Президента Российской Федерации № 490 от 10 октября 2019 года «О развитии искусственного интеллекта в Российской Федерации».

I Международный форум «Этика искусственного интеллекта (ИИ): начало доверия». Кодекс этики ИИ. 26 октября 2021г.

Российская Федерация. Федеральный закон № 123-ФЗ «О проведении эксперимента по установлению специального регулирования в целях создания необходимых условий для разработки и внедрения технологий искусственного интеллекта в субъекте Российской Федерации – городе федерального значения Москве и внесении изменений в статьи 6 и 10 Федерального закона "О персональных данных”».

Федеральное агентство по техническому регулированию и метрологии. Национальный стандарт Российской Федерации ГОСТ Р – 2020. Системы искусственного интеллекта. Системы искусственного интеллекта в клинической медицине. Часть 1. Клинические испытания. М.: Стандартинформ; 2020.

Хохлов А.Л., Белоусов Д.Ю. Этические аспекты применения программного обеспечения с технологией искусственного интеллекта. Качественная клиническая практика. 2021; 1: 70-84. https://dx.doi.org/10.37489/2588-0519-2021-1-70-84.

Карпов О.Э., Пензин О.В., Веселова О.В. Организация и регуляция взаимодействия искусственного интеллекта с врачом и пациентом. Вестник Национального медико-хирургического Центра им. Н.И. Пирогова. 2020; 15(2): 155-60. https://dx.doi.org/10.25881/BPNMSC.2020.73.34.027.

Иштиярова Г.А., Ш.К.Д., Исматова М.И. Разработка алгоритма профилактики и прогнозирования рождения детей с малой массой тела. Репродуктивная медицина (научно-практический журнал казахстанской ассоциации репродуктивной медицины). 2018(1):34.

Кудратова, Д. Ш., Туксанова, Д. И., & Ходжаева, Р. Х. (2019). Современные методические подходы к определению овариальнойароматазы при синдроме поликистозных яичников. Reproductive Medicine, (2 (39)), 29-37.

Kudratova, D. S., Tuksanova, D. I., & Khodjaeva, R. K. (2019). MODERN METHODOLOGICAL APPROACHES TO THE DEFINITION OF OVARIAN AROMATASE IN POLYCYSTIC OVARY SYNDROME. Reproductive Medicine, (2 (39)), 29-37.

Кудратова, Д. Ш., & Туксанова, Д. И. (2018). СОВРЕМЕННЫЙ ПОДХОД РОДОВОЗБУЖДЕНИЯ У ПАЦИЕНТОК С ДОРОДОВЫМ ИЗЛИТИЕМ ОКОЛОПЛОДНЫХ ВОД НА ФОНЕ ОТСУТСТВИЯ БИОЛОГИЧЕСКОЙ ГОТОВНОСТИ К РОДАМ. In ЛУЧШАЯ НАУЧНАЯ СТАТЬЯ 2018 (pp. 254-259).

Каттаходжаева, М. Х., Муртазаев, С. М., Енькова, Е. В., Кудратова, Д. Ш., & Хасанов, Ш. М. ЭНДОГЕННЫЕ ФАКТОРЫ РИСКА РАЗВИТИЯ ВРОЖДЕННОЙ РАСЩЕЛИНЫ ВЕРХНЕЙ ГУБЫ И НЕБА, ОСОБЕННОСТИ ПРЕНАТАЛЬНОЙ УЛЬТРАЗВУКОВОЙ ДИАГНОСТИКИ.

Кудратова, Д. Ш. Каттаходжаева Махмуда Хамдамовна. JOURNAL OF REPRODUCTIVE HEALTH AND URO-NEPHROLOGY RESEARCH, 49.

Ихтиярова, Г. А., Кудратова, Д. Ш., & Давлатов, С. С. PROBLEMS OF BIOLOGY AND MEDICINE.

Исматова, М. И., & Кудратова, Д. Ш. СОВРЕМЕННЫЙ ВЗГЛЯД НА ТЕЧЕНИЕ НЕОНАТАЛЬНОГО И ПОЗДНЕГО ПОСТНАТАЛЬНОГО ПЕРИОДА У ДЕТЕЙ С СИНДРОМОМ ЗАДЕРЖКИ РАЗВИТИЯ ПЛОДА ПЛОДА. ТОМ V, 158.