基于1800万张胚胎时序图像的IVF基础模型FEMI：多任务评估与临床转化研究

研究人员针对体外受精(IVF)中胚胎评估成本高、标准不统一等问题，开发了基于1800万张时序图像的FEMI基础模型。该模型在非整倍体预测(AUROC>0.75)、囊胚质量评分、胚胎成分分割等6项任务中显著优于现有方法，为IVF提供了高效、标准化的AI解决方案，相关成果发表于《Nature Communications》。

　　

在辅助生殖领域，胚胎选择一直是决定试管婴儿(IVF)成功率的关键环节。传统方法依赖胚胎学家主观评估和昂贵的植入前遗传学检测(PGT-A)，不仅存在诊断标准不统一的问题，在某些国家还面临伦理争议。更棘手的是，现有AI模型往往只能解决单一任务，如STORK-A仅预测非整倍体(aneuploidy)，BELA局限在质量评分，这种"碎片化"方案难以满足临床对综合性、标准化评估的需求。

来自美国威尔康奈尔医学院(Weill Cornell Medicine)的研究团队在《Nature Communications》发表突破性成果。他们开发了名为FEMI(Foundational IVF Model for Imaging)的基础模型，通过自监督学习(SSL)训练1800万张胚胎时序图像，首次实现了IVF全周期多任务评估。这个基于视觉转换器掩码自编码器(ViT MAE)架构的模型，在保持非侵入性优势的同时，其预测精度甚至接近部分有创检测水平。

研究采用多中心数据集验证，包括威尔康奈尔医学院(WCM)的Embryoscope^?和Embryoscope⁺系统、西班牙IVI RMA Valencia等机构的影像数据。关键技术包含：1)构建胚胎分割模型预处理图像；2)采用ViT-Large架构进行800轮预训练；3)针对不同任务设计特异性微调策略，如用双向LSTM处理视频时序数据；4)引入Score-CAM技术实现模型可解释性分析。

【非整倍体预测表现突出】

在仅使用图像数据时，FEMI对整倍体-非整倍体(EUP vs. ANU)的区分达到AUROC 0.75，对复杂非整倍体(CxA)的识别更提升至0.85。模型特别擅长处理低质量胚胎(评分10-14)，其AUC 0.677显著优于次优模型(0.602)。可视化分析显示，FEMI主要依据内细胞团(ICM)和滋养层(TE)边界特征进行判断，这与胚胎学家评估标准高度吻合。

【囊胚评分超越人工标准】

在Weill Cornell评分体系(3-14分)中，FEMI对总评分(BS)和ICM评分的预测误差最低。值得注意的是，模型在高低分端表现尤为突出：对低质量胚胎(3-5分)的误差仅2.04，高质量胚胎(10-14分)误差0.941，较EfficientNet-V2提升15%。这种稳定性对临床筛选优质胚胎极具价值。

【辅助功能全面覆盖】

除核心评估外，FEMI在胚胎见证(96-112hpi图像匹配F1>90%)、囊胚形成时间预测(MAE 5.93小时)等任务中同样领先。在12阶段胚胎发育分期任务中，其Spearman秩相关系数达96.07%，与专用模型Embryovision相当，但仅需单焦平面输入。

这项研究标志着生殖医学进入"基础模型"时代。FEMI首次证明单一模型可整合IVF全流程评估，其非侵入性特点既能降低PGT-A的伦理争议，又能通过标准化评分减少人为差异。研究者特别指出，模型在识别复杂非整倍体方面的优异表现，可能帮助规避约30%的植入失败案例。随着更多临床验证开展，这种AI辅助决策系统有望重塑全球IVF实践标准，使更多家庭受益于精准、可及的生殖医疗服务。