综述：辅助生殖技术中胚胎健康评估的智能方法综述

这篇综述系统回顾了人工智能（AI）在辅助生殖技术（ART）中胚胎健康评估的应用进展，重点探讨了计算机视觉和深度学习技术在体外受精（IVF）过程中提升胚胎选择精度、一致性和效率的潜力。文章对比了AI模型与传统胚胎学家评估的优劣，分析了早期发育阶段、囊胚阶段和全发育阶段的评估方法，并指出当前临床实施的局限性及未来研究方向。

　　

引言

不孕症是全球约17.5%成年夫妇面临的难题，而体外受精（IVF）作为辅助生殖技术（ART）的核心手段，其成功率仅约30%。胚胎质量是影响移植成功的关键因素，但传统形态学评估依赖胚胎学家的主观判断，存在一致性和量化不足的缺陷。近年来，人工智能（AI）尤其是计算机视觉和深度学习技术的突破，为胚胎健康评估提供了自动化、客观化的解决方案。

胚胎健康评估的传统挑战

传统方法通过显微镜观察胚胎形态特征（如内细胞团ICM、滋养层TE）进行评分，但易受实验室条件、专家经验差异的影响。例如，Gardner评分系统虽广泛应用，却因人工解读的变异性导致结果不一致。此外，静态图像评估无法捕捉胚胎发育的动态过程，而时间序列成像（TL）技术虽能记录动态数据，但分析复杂度高。

AI技术的应用进展

早期发育阶段（0-3天）

早期评估聚焦于原核期和卵裂期形态特征。传统机器学习（如决策树）依赖人工提取特征，准确率有限（AUC 0.73-0.75）。深度学习模型（如ResNet、U-Net）通过端到端训练显著提升性能，最高准确率达0.98。但数据集规模差异大（152-38,000例），小样本研究可能存在过拟合风险。

囊胚阶段（5-6天）

囊胚形态复杂，AI技术分为半自动和全自动方法。半自动方法通过图像分割（如U-Net）辅助标记ICM和TE结构，准确率可达0.96；全自动方法（如ResNet50）直接分类囊胚质量，多分类模型（1-5级）优于二分类（准确率0.90）。创新性连续评分（如遗传算法）能细化高质胚胎的优先级选择。

全发育阶段（0-6天）

TL成像结合3D-CNN或RNN模型可分析时空动态特征，AUC达0.95。多模态数据整合（如临床参数+图像）进一步提升个性化评估，但需解决数据异构性和计算成本问题。

优势与局限性

AI模型在精度和效率上超越人工评估（如图4所示），但面临数据稀缺、标注不一致、模型可解释性不足等挑战。公开数据集有限（如加拿大生殖中心的235例图像），且伦理问题（如患者自主权、技术公平性）亟待规范。

未来方向

联邦学习框架可促进多中心数据共享；时空特征融合（如形态+代谢动力学）将深化评估维度；可解释AI技术（如SHAP、Grad-CAM）需增强临床信任。跨学科合作是推动AI在生殖医学中落地的关键。

总结

AI通过标准化、量化分析重塑了胚胎健康评估范式，但其临床转化仍需大规模验证。未来研究应聚焦数据多样性、算法透明化及伦理框架构建，以实现辅助生殖技术的精准化和普惠化。