编辑推荐：
为解决胚胎数据稀缺难题，研究人员融合合成与真实胚胎数据训练 AI 模型，提升胚胎阶段分类准确率，意义重大。
在现代医学中，辅助生殖技术（Assisted Reproductive Technology，ART）是解决不孕不育问题的重要手段。据世界卫生组织（WHO）数据，全球约六分之一的育龄人群面临不孕困扰，ART 成为众多家庭的希望。然而，这项技术的平均成功率却不到 30%，而胚胎质量的选择是影响成功率的关键因素。以往，胚胎学家主要通过视觉评估胚胎形态来挑选合适的胚胎，但这种方式主观性强，容易出现人为误差。同时，随着 ART 治疗数量的增加，人工分析大量的图像和视频数据变得既耗时又耗力。
在此背景下，人工智能（Artificial Intelligence，AI）技术的发展为辅助生殖领域带来了新的曙光。AI 能够为胚胎评估增添客观性，提高 ART 的治疗效果。不过，AI 在 ART 中的应用面临着一个巨大的挑战 —— 胚胎数据的稀缺。由于隐私和伦理问题，胚胎数据的共享受到极大限制，公开可用的数据集不仅数量有限，规模也较小，这严重制约了深度学习模型的训练和发展。
为了突破这一困境，来自罗马尼亚、挪威等多国研究机构的研究人员展开了深入研究。他们的研究成果发表在《Scientific Reports》上，为辅助生殖技术与人工智能的结合开辟了新路径。
研究人员在此次研究中运用了多种关键技术方法。首先是数据收集，他们从挪威的 Volvat Spiren 生育诊所获取了部分胚胎视频图像数据，并结合公开可用的 “Human Embryo Time-Lapse Video” 数据集，构建了包含 5500 张胚胎图像的最终数据集，涵盖 2 - 细胞、4 - 细胞、8 - 细胞、桑葚胚（morula）和囊胚（blastocyst）五个发育阶段。其次，采用生成对抗网络（Generative Adversarial Network，GAN）中的 StyleGAN 和扩散模型（Latent Diffusion Model，LDM）两种生成模型，基于 1000 张真实胚胎图像训练生成合成胚胎图像。最后，运用 VGG、ResNet 和 ViT 三种分类模型进行多类分类，评估合成图像对胚胎阶段分类准确率的影响。
下面来看具体的研究结果：
- 数据生成结果：通过计算 Fréchet inception distance（FID）分数评估生成模型性能，结果显示 LDM 模型的 FID 分数更低，生成的合成图像质量更高。
- 分类结果：研究发现，在训练分类模型时，融合合成图像和真实图像能够提升分类性能。例如，VGG 模型在仅使用真实数据训练时，准确率为 94.5%，而加入合成数据后，准确率提升至 97%。即使仅用合成数据训练模型，在真实数据上测试时，VGG 模型也能达到 92% 的较高准确率。并且，结合来自不同生成模型（StyleGAN 和 LDM）的合成数据，比使用单一模型的数据能获得更好的分类结果。
- 定性分析：研究人员开发了一个网络应用程序，邀请四位胚胎学家进行图灵测试（Turing test），以评估合成图像的逼真度。结果表明，LDM 生成的图像更具迷惑性，胚胎学家正确识别 LDM 生成图像为假的比例仅为 34.4%，而识别 StyleGAN 生成图像为假的比例为 74.7%。
综合研究结果与讨论部分，此次研究意义非凡。一方面，证明了合成数据在解决胚胎数据稀缺问题上的有效性，即使仅用合成数据训练分类器也能取得不错的准确率，而将合成图像与真实图像结合使用，能进一步提升模型性能，且在外部数据集测试中也表现出色，增强了模型的泛化能力。另一方面，研究还发现了一些有待改进的问题，如部分合成图像过暗影响评估，数据集未涵盖所有相关细胞阶段和胚胎类型等。后续研究可针对这些问题进行优化，从而推动 AI 在辅助生殖技术中的应用，有望提高 ART 的成功率，为更多不孕不育家庭带来福音。
