《Future Internet》：AI-Enabled Smart Monitoring of Bovine Embryo Development Using Time-Lapse Imaging and Transfer Learning
编辑推荐：
时差培养箱系统可实现胚胎发育的连续、非侵入式监测；然而，鉴定发育阶段仍需要大量人工评估，导致过程耗时、费力且可能存在主观性。研究人员在合成输卵管液（synthetic oviductal fluid, SOF）与 Gx-TL? 培养基中对牛胚胎进行培养，并利用
时差培养箱系统可实现胚胎发育的连续、非侵入式监测；然而，鉴定发育阶段仍需要大量人工评估，导致过程耗时、费力且可能存在主观性。研究人员在合成输卵管液（synthetic oviductal fluid, SOF）与 Gx-TL? 培养基中对牛胚胎进行培养，并利用 MIRI 时差成像评估其发育动力学，同时探究基于迁移学习的卷积神经网络（Convolutional Neural Networks, CNNs）在胚胎阶段自动分类中的有效性。共计 311 个受精卵在标准体外受精条件下单独培养，其中 SOF 组 152 个、Gx-TL? 组 159 个。SOF 组中 81 个达二细胞阶段，10 个至桑葚胚，6 个至囊胚；Gx-TL? 组中 77 个达二细胞阶段，18 个至桑葚胚，10 个至囊胚。时差图像按二细胞至八细胞、桑葚胚、囊胚等关键阶段人工标注，数据集增强至 5000 张图像，用于训练 ResNet18、DenseNet121 与 EfficientNet-B0 三种预训练 CNN。两类分类任务在两种培养基中均达 100% 准确率；九类模型准确率 95%–100%，十类模型 98%–100%。结果表明，基于迁移学习的 CNN 可支持利用时差图像对牛胚胎发育阶段进行自动分类。
论文解读：《Future Internet》发表的牛胚胎时差成像与迁移学习分类研究
研究背景方面，商业化牛胚胎移植（Embryo Transfer, ET）自 1970 年代发展以来，仍受限于胚胎存活潜力评估方式。传统形态学评估依赖人工目视，存在主观性强、忽略关键发育事件、无法连续获取形态动力学参数等问题。常规培养箱观察还会因温度、pH 与操作扰动影响胚胎发育。时差成像（Time-Lapse Imaging）可非破坏性地记录发育里程碑时间，但在牛单胚培养中存在发育率低的障碍；群体培养虽提高囊胚率，却不利于单胚形态动力学监测。因此，探索适合单胚培养的体系并结合智能图像分析，成为提升胚胎评估客观性的重要方向。
研究人员以 311 个牛受精卵（SOF 组 152 个、Gx-TL? 组 159 个，来源为体外受精生产 zygotes）为样本队列，开展两项工作：一是利用 MIRI 时差系统比较 SOF 与 Gx-TL? 下牛胚胎发育动力学；二是构建基于迁移学习（Transfer Learning）的卷积神经网络（Convolutional Neural Networks, CNNs）完成阶段自动分类。结论上，Gx-TL? 在桑葚胚与囊胚数量上略优但无统计显著性；三类 CNN 在二分类任务均达 100%，多分类任务也表现优异，证明该方法具备概念可行性。其意义在于为牛胚胎智能监测提供框架，可减少人工主观性并实现近实时记录。
主要关键技术方法：研究人员采用 MIRI 时差成像系统每 5 分钟采帧；由第一作者人工标定 T2–T8、桑葚胚、囊胚及非发育胚胎（Non-Developing Embryo, NDE）。原始 529 张图经亮度/对比度、5% 随机噪声、±5° 旋转增强至每类 500 张共 5000 张。使用 ResNet18、DenseNet121、EfficientNet-B0 三种 ImageNet 预训练模型做迁移学习，设二分类、九分类、十分类任务，按 70:15:15 划分，批次 16、学习率 0.0001、10 轮，PyTorch 实现，RTX 3050 GPU 加速。
研究结果
3.1 Effect of Culture Medium on Embryo Development：通过统计各阶段胚胎数与平均到达时间，研究人员发现两培养基均随阶段推进胚胎数下降；Gx-TL? 总体略快，囊胚数更多，但差异不显著。
3.2 CNN-Based Classification
3.2.1 Two-Class Model：以“发育/非发育”为输出，SOF、Gx-TL? 与合并集下三种 CNN 均 100% 准确；DenseNet121 训练与推理耗时最长，EfficientNet-B0 计算负担较低。
3.2.2 Nine-Class Model：SOF 模型中 T5/T6、T7/T8 因形态近似易混淆；Gx-TL? 模型 ResNet18 与 DenseNet121 达 100%，EfficientNet-B0 为 97.7% 且 T4 易错分；合并模型中 ResNet18 99.5%、DenseNet121 95.5%、EfficientNet-B0 97.7%，误分多集中在相邻阶段。
3.2.3 Ten-Class Model：SOF 模型准确率 98.4%–98.8%，NDE 识别 ResNet18/DenseNet121 完美；Gx-TL? 模型全架构 100%；合并模型 99.7%–99.9%，Morula 与 T8 等相邻阶段仍有混淆。单图推理约 0.02 秒，具备近实时潜力。
讨论部分总结：研究人员指出，早裂与囊胚形成关联与前人哺乳动物研究一致，但绝对时间不可跨物种直比；时差形态动力学不一定转化为妊娠结局改善。CNN 分类中相邻阶段混淆与已有牛胚胎研究一致，但本文增强在划分前执行，可能使同胚增强图进入不同子集，造成性能估计偏乐观。作者强调结果为概念验证，尚需胚胎级交叉验证与外部独立集。
- 6.
Conclusions 结论翻译：ResNet18、EfficientNet-B0 与 DenseNet121 在三类模型中均取得超 90% 发育阶段识别准确率，证明 CNN 方法用于牛胚胎阶段自动分析具备可行性与潜力。但数据集较小且缺独立验证，模型鲁棒性与泛化性受限。在用于畜牧繁殖实践前，需用更多标注图像与多样数据集训练更鲁棒、可泛化模型。
