编辑推荐：
为解决确保人工智能（AI）在胚胎评估中一致性和可靠性的问题，研究人员开展了 AI 模型开发及多中心验证的研究。结果显示，该 AI 模型在多数据集上表现良好，能可靠评估囊胚阶段胚胎。这为辅助生殖技术中胚胎评估提供了新方法。
在辅助生殖技术中，精准选择高质量、整倍体胚胎一直是体外受精（IVF）的核心任务。传统的胚胎形态学评估方法存在主观性和局限性，难以准确判断胚胎的发育潜力。随着科技的发展，“胚胎形态动力学” 借助时间推移成像（TLI）技术，能够对胚胎发育进行纵向、动态的评估，为建立更精准的预测模型提供了可能。然而，目前基于人工智能（AI）的胚胎评估模型在临床应用中面临诸多挑战，比如不同模型的性能差异较大，缺乏可靠的验证方法，难以适应复杂的临床情况。这些问题限制了 AI 在辅助生殖领域的广泛应用，因此，开发一种可靠的 AI 胚胎评估模型并进行有效验证显得尤为重要。
为了攻克这些难题，来自多个国家的研究团队合作开展了此项研究。研究团队包含 AIVF Ltd（以色列）、IVIRMA Valencia（西班牙）等多个机构 。他们致力于开发并验证一种基于 AI 的胚胎评估模型，旨在为临床胚胎评估提供更可靠的辅助工具。研究成果发表在《Reproductive Biology and Endocrinology》上。
研究人员采用了一系列关键技术方法来开展此项研究。首先，收集多中心数据，这些数据来自 9 个国家的 10 家 IVF 诊所，涵盖 2018 - 2022 年间的胚胎时间推移图像、妊娠结局和形态学注释信息。其次，构建基于深度学习的 AI 模型，该模型以胚胎达到囊胚阶段的时间推移序列数据为基础进行训练，无需用户输入或提取离散的形态学和形态动力学变量。最后，通过多数据集验证评估模型性能，使用盲测数据集和独立数据集，从不同角度评估模型在不同数据类型和临床环境下的表现。
下面来看具体的研究结果：
- 数据整理与注释：对收集的数据进行整理，包含训练验证数据集、盲测数据集和独立数据集。对胚胎图像采集、培养、观察等均遵循各诊所标准操作流程。最终确定分析的胚胎数量，盲测数据集为 1708 个，独立数据集为 6246 个。同时分析了临床结局数据和形态学注释数据，发现不同数据集间母体年龄、卵母细胞年龄等存在差异。
- 评估 AI 性能：通过对不同数据集按母体年龄、卵母细胞年龄和卵母细胞来源分层分析，发现卵母细胞年龄与胎儿心跳（FH）率呈负相关，AI 评分与卵母细胞年龄也呈负相关。在区分 AI 性能时，不同年龄组中 FH?胚胎的 AI 评分显著高于 FH?胚胎。测试数据集和独立数据集的 ROC - AUC 在一定范围内，与其他报道的 AI 妊娠预测工具相当。
- 与传统注释的相关性：AI 评分与传统胚胎质量形态学参数（滋养外胚层（TE）形态学等级、内细胞团（ICM）形态学等级和最终 ASEBIR 等级）呈显著正相关。将 AI 评分分层后，随着评分升高，FH?胚胎的比例增加，OR 值增大，表明 AI 评分与 FH 可能性呈线性关联。
在研究结论和讨论部分，该研究首次在多个国家的 10 家诊所对 AI 模型进行评估，验证了其在评估囊胚阶段胚胎方面的可靠性。AI 模型的连续评分系统相较于传统离散分级系统，能减少主观性和变异性。然而，研究也存在局限性，如回顾性研究设计可能受多种因素影响，AUC 在评估胚胎排名时存在局限性，AI 对胚胎学家决策的影响也有待进一步研究。尽管如此，该研究为 AI 在 IVF 胚胎评估中的应用奠定了基础，未来需通过前瞻性随机试验进一步验证，有望提高辅助生殖技术的效率和成功率，为更多不孕不育患者带来希望。
