基于深度学习的GnRH激动剂长方案中个体化实时FSH剂量预测研究

本研究针对辅助生殖技术中个体化FSH剂量调整的临床难题，南京大学附属鼓楼医院团队开发了跨时空特征联合编码(CTFE)深度学习模型，通过分析13,788个IVF/ICSI周期数据，实现了73.7%准确率的每日FSH剂量预测，较传统LASSO模型提升19-56%。该研究为标准化COS管理提供了首个支持全周期动态调整的AI决策工具。

　　

在辅助生殖领域，精确调控促卵泡激素(FSH)剂量犹如走钢丝——剂量不足会导致卵泡发育不良，过量又可能引发卵巢过度刺激综合征(OHSS)。尽管全球每年进行数百万例试管婴儿(IVF)治疗，FSH剂量调整仍高度依赖医生经验，缺乏量化标准。特别是采用GnRH激动剂长方案时，需要动态调整10余天的FSH注射，现有预测模型多局限于初始剂量设定，无法满足全程个性化需求。

南京大学附属鼓楼医院生殖医学中心联合计算机学科团队，在《Journal of Translational Medicine》发表了一项突破性研究。研究人员创新性地将电子病历(EHR)数据与深度学习结合，开发了跨时空特征联合编码(CTFE)系统。这项回顾性研究分析了2018-2020年间13,788个IVF/ICSI周期数据，首次实现了GnRH激动剂长方案全周期FSH剂量的动态预测。

研究采用三大关键技术：1)基于D-TDNN架构的时空特征编码器，处理包括年龄、BMI、基础激素等52维动态监测指标；2)创新性AddGate融合机制，整合静态特征与时间序列数据；3)滑动窗口策略解决长周期数据衰减问题，通过10天时间窗预测13天后剂量。所有数据均来自单中心标准化采集，经伦理审查后脱敏处理。

【模型性能比较】
CTFE模型在测试集达到0.737(±0.004)分类准确率，显著优于传统方法。关键调整日(第1/5天)F1分数达0.832和0.817，较LASSO回归提升19-56%。滑动窗口使第18天预测准确率提升11%。

【实验结果】
采用KNN检索策略后，模型不仅能推荐剂量区间(如80~160IU中等剂量)，还可提供历史相似病例的成功率参考。典型案例显示，模型能准确预测从促排到停药的完整剂量变化轨迹。

【讨论与结论】
该研究突破了现有剂量预测模型的三大局限：首次实现全周期动态预测、创新性融合时空特征、解决长周期数据稀疏问题。虽然目前限于回顾性数据，但为建立标准化COS协议提供了新范式。值得注意的是，模型将临床常用剂量离散化为5类(停针、<80IU、80~160IU等)，既符合实际操作习惯，又保留了剂量调整灵活性。

未来需通过多中心前瞻性研究验证其临床效益，特别是对OHSS发生率和优质胚胎率的影响。该成果不仅适用于GnRH激动剂方案，其CTFE框架也可拓展至其他需要动态给药的生殖治疗场景，为AI驱动精准生殖医学树立了新标杆。