编辑推荐：
近年来，人工生殖技术（ART）需求剧增，体外受精（IVF）成本高昂且胚胎选择依赖专家经验。研究人员利用公开数据集，借助卷积神经网络和 EfficientNetB4 构建 AI 模型，该模型分类准确率达 0.71，有助于优化胚胎选择，提升 IVF 成功率。
在现代社会，随着人们生活方式的改变以及生育年龄的普遍推迟，不孕不育问题愈发凸显，人工生殖技术（ART）成为众多家庭的希望之光。体外受精（IVF）作为 ART 的重要手段，为无数渴望拥有孩子的夫妇带来了福音。然而，IVF 的道路并非一帆风顺。一方面，其高昂的成本让许多家庭望而却步，一个周期花费可达 24,000 美元，而要实现活产，总费用可能超过 70,000 美元 。另一方面，胚胎选择过程存在诸多难题。传统的胚胎选择主要依靠胚胎学家的专业经验，通过一些评分系统和对原核的形态学评估来挑选，但这种方式主观性较强，且缺乏足够的精准性。
与此同时，技术的进步为 IVF 带来了新的机遇与挑战。时间推移成像（TLI）技术的出现，使得胚胎可以在稳定的培养环境中接受连续监测，生成大量的图像数据。这些数据蕴含着胚胎发育的关键信息，然而，面对如此庞大的数据量，人工标注和分析变得极为困难，传统的依靠人工的方式远远无法满足需求。并且，不同研究机构的数据相对孤立，缺乏透明度和共享性，限制了人工智能（AI）在胚胎选择领域的发展。
为了解决这些难题，推动 IVF 技术的进步，研究人员积极开展研究。他们利用公开的数据集，构建了能够通过 TLI 视频确定胚胎形态动力学阶段的 AI 模型。这一研究成果意义重大，若能广泛应用，将有助于更精准地选择处于理想发育阶段的胚胎，提高 IVF 的成功率，减少不必要的经济和时间成本。该研究成果发表在《European Journal of Obstetrics》上，为辅助生殖领域的发展提供了新的方向。
在研究方法上，研究人员主要运用了两种关键技术。一是利用公开的 IVF 数据集，该数据集来自 716 对接受卵胞浆内单精子注射（ICSI）周期的不孕夫妇，包含 704 个 TLI 视频，涉及 240 万张图像 。二是采用卷积神经网络和 EfficientNetB4 这两种深度学习模型进行图像分类。
研究结果主要围绕模型性能展开：
- 准确率：训练后的 CNN 模型在 TLI 视频图像分类中，准确率达到 0.71，这意味着它能够正确分类约 71% 属于 16 个胚胎阶段的图像。
- 其他指标：模型的敏感性得分为 0.59，特异性得分为 0.98，F1 得分是 0.61，Cohen's Kappa 得分是 0.67，Matthews 相关系数（MCC）得分是 0.67 。此外，深度学习模型的曲线下面积（AUC）得分为 0.96，表明该模型区分胚胎阶段的能力较强，分类表现良好。
研究结论和讨论部分强调了该研究的重要意义。首先，该 AI 模型是首次利用公开注释的 TLI 胚胎视频数据集来评估敏感性、特异性和 AUC 的模型，增加了胚胎选择的数据透明度，为未来 AI 模型在胚胎形态动力学研究中的可重复性提供了有力支持。其次，该模型在区分不同胚胎阶段方面表现出较高的有效性，尽管敏感性稍低，但结合其他指标来看，其整体分类能力值得肯定。随着 TLI 胚胎数据量的不断增加，有效的 AI 模型能够优化大量胚胎成像的处理，帮助选择理想发育阶段的胚胎，为 IVF 技术的优化和成功率的提升提供了新的途径，有望推动辅助生殖领域进入一个更加精准、高效的新阶段。
