基于自监督对比学习的胚胎选择深度学习模型：利用时间序列影像匹配优质胚胎提升IVF成功率

为解决传统胚胎形态学评估的主观性和低效性问题，法国Angers大学医院团队开发了基于自监督对比学习的深度学习模型，通过分析同一促排卵周期中匹配优质胚胎的时间序列影像（KIDp/KIDn），实现了64% AUC的植入预测准确率，为IVF实验室提供了客观的胚胎选择辅助工具。

　　

在辅助生殖技术(ART)领域，胚胎选择一直是决定试管婴儿(IVF)成功率的瓶颈问题。尽管全球每年有超过350万例IVF周期，但传统依赖胚胎形态学评估的方法存在明显局限——胚胎仅在离散时间点被观察，且评估标准易受主观影响。随着延时摄影系统(TLS)的普及，科学家们开始探索通过连续监测胚胎发育的形态动力学(morphokinetics)特征来提升选择准确性，但现有半自动算法仍存在耗时、变异大等问题。更令人困扰的是， Cochrane综述指出目前缺乏足够证据证明TLS能显著提高活产率。这种背景下，法国Angers大学医院生殖生物学实验室Lisa Boucret团队在《Scientific Reports》发表的研究，为破解这一难题提供了新思路。

研究人员创新性地采用自监督对比学习(SimCLR)框架，开发了能分析胚胎时间序列影像的深度学习模型。该研究最大的特色在于实验设计——仅纳入同一促排卵周期中经传统标准（BLEFCO和Gardner分级）判定为优质、但植入结局相反（临床妊娠KIDp vs 植入失败KIDn）的匹配胚胎，有效控制了患者个体差异的干扰。通过1580个胚胎视频的大样本分析，团队构建了包含卷积神经网络(CNN)特征提取、长短时记忆网络(LSTM)动态编码和XGBoost预测的三阶段模型体系。

关键技术方法包括：1) 使用YOLO v6算法预处理胚胎时序图像；2) 采用SimCLR架构预训练VGG16/ResNet18编码器提取形态学特征；3) 通过孪生网络(Siamese network)微调获取形态动力学特征；4) 最终用XGBoost模型预测植入结局。所有数据来自2020-2023年460例患者的EmbryoScope+系统记录，严格遵循法国生物伦理法规。

主要研究结果

模型验证性能

在外部验证中，预训练编码器对16个胚胎发育阶段（从tPB₂到tHB）的识别达到0.97中位ROC-AUC。对于核心临床任务：

• 已知同周期胚胎结局时，预测后续移植结局的AUC为0.57（95%CI:0.41-0.74）

• 未知历史记录时，单纯基于胚胎影像预测植入的AUC提升至0.64（95%CI:0.60-0.68），显著优于随机分类(p=0.02)

特征分析

层次聚类热图显示，当聚类数增至32时，22%的簇包含>2/3的KIDp胚胎，41%的簇以KIDn为主，提示模型可能捕捉到人类难以识别的微妙模式。

研究意义与局限

该研究首次证明深度学习可区分传统标准无法鉴别的"同周期优质胚胎"，其价值在于：1) 为胚胎优先排序提供客观依据，缩短妊娠等待时间；2) 相比人工评估节省90%时间；3) 模型设计避免过拟合风险，通过外部验证确保可靠性。但0.64的AUC提示其更适合作为辅助工具而非独立决策依据，且样本量限制和回顾性设计需前瞻性研究验证。

这项研究为ART领域开辟了新路径——通过自监督学习挖掘胚胎发育的深层时空特征，未来结合临床参数（如年龄、子宫内膜容受性）或可进一步提升预测效能。正如作者强调，这种"玻璃盒"AI模型（保留特征可解释性）的临床转化，将有助于建立更透明的胚胎选择新范式。