叶虹教授,围绕“AI在子宫内膜容受性评估、个体化卵巢刺激以及胚胎冷冻保存和选择中的应用”等前沿热点内容进行了深入解读。
2024年7月7-10日,第40届欧洲人类生殖与胚胎学学会(ESHRE)年会在荷兰阿姆斯特丹顺利召开。作为生殖医学领域规模最大、最具影响力的年度国际学术会议之一,ESHRE 2024聚集了来自生殖医学、胚胎学、生殖内分泌学、遗传学等多个领域内的专家学者,共同探讨领域内最新研究成果、目前的争议以及未来的发展方向,备受生殖医学领域专家学者的关注。
医说生殖(Trends in ART)平台作为ESHRE 2024特邀官方合作媒体,紧跟会议热点,并在阿姆斯特丹大会现场邀请生殖领域大咖,针对大会前沿热点话题进行了采访和现场报道。本期我们邀请到了重庆医科大学附属妇女儿童医院的叶虹教授,围绕“AI在子宫内膜容受性评估、个体化卵巢刺激以及胚胎冷冻保存和选择中的应用”等前沿热点内容进行了深入解读。
1. 本次大会重点关注了人工智能(AI)在辅助生殖超声领域的应用。请谈一谈,您认为人工智能在子宫内膜容受性评估中的应用前景如何?
在过去的几年中,人工智能逐渐应用于医学场景,协助疾病诊断、治疗和预测预后。在女性健康领域,已经开展女性恶性肿瘤(卵巢癌、宫颈癌)等疾病中应用人工智能技术辅助疾病的诊断和治疗。AI在辅助生殖领域也取得了显著的发展,也有望迅速投入临床应用。
子宫内膜容受性是子宫内膜对胚胎接受能力的体现,是影响妊娠的关键因素之一,目前临床常用评估子宫内膜容受性的方法有子宫内膜活检、激素水平测定和超声检查,其中子宫内膜活检为有创操作,激素水平测定作为辅助检查手段。经阴道超声具有实时、无创、可重复性高以及患者接受度高等优点,已成为评估子宫内膜容受性首选的非侵入性检查手段。临床超声检查对子宫内膜评估的主要内容包括:子宫内膜厚度、回声模式、内膜容积、内膜蠕动波、内膜弹性、内膜及内膜下血流灌注等。但超声检查易受主观因素影响,如:手动描绘子宫内膜的边界、肉眼判断子宫内膜分期、再现性差,而且低年资超声医生准确性较低等问题。因此,超声评价子宫内膜容受性的指标和方法尚未达成共识。
此次会议上有专家分享了一个研究,根据超声图像和临床特征建立的人工智能模型预测胚胎植入结局,改善目前仅依赖超声检查的预测能力。研究回顾分析了来自70个诊所FET周期患者在黄体酮起始日的子宫内膜超声图像79,602张(40,910例患者)。基于不同的胚胎质量构建人工智能内膜容受性结局预测模型,以胚胎植入(β-HCG阳性)作为判定结局的标准。模型由基于图像的深度学习(DL)模型和基于特征的机器学习(ML)模型组成。通过曲线下面积(AUC)、敏感性和特异性来衡量模型的性能。ML模型纳入的临床特征会进行重要性排序,同时将内膜容受性预测模型性能表现与EMT预测植入的能力进行比较,获得具有最佳预测性能的模型,该模型纳入的临床特征根据重要性先后排序为:子宫内膜厚度、孕酮值、移植年龄、既往胚胎移植总数、超声检查日期与移植日期之间的间隔时间、卵子来源等因素。结果发现,8.8mm为最佳阈值预测着床。但和AI模型相比,单纯的EMT预测内膜容受性的能力更低。同时该学者也提到,此结果后续需要在前瞻性和非选择性研究及其他人群中进行验证。目前AI对子宫内膜容受性的评估仍有待进一步的完善,或许可以通过增加其他的临床特征来提高性能,促进模型的发展,从而准确预测活产的黄金标准。
AI辅助超声成像的结合,便于临床信息的整合,从而输出更客观的结果,缩短治疗时间,人工智能辅助超声是女性生殖功能评估中的一种新型跨学科整合。它将为生殖医学领域带来数字化转型和自动化,并最终造福不孕夫妇和社会。
2. 请您谈一下人工智能(AI)在个体化卵巢刺激中有哪些应用?
人工智能(AI)已融入当今社会,人们渴望通过AI获得更多便捷。在辅助生殖技术领域,AI已被用于预测妊娠率,活产率和新生儿出生体重。2020年Zohar等人研究发现,相比传统的逻辑回归模型,基于BMI、年龄等数据的机器学习算法预测IVF成功率更可靠。同时越来越多研究证实,AI在IVF全流程中均可扮演重要角色,如:全自动追踪监测COS过程中卵泡大小变化、精子和胚胎选择以及胚胎植入前非整倍体检测(PGT-A)。
ESHRE上Saravelos教授以“促排卵方案的选择”为例谈到,相比临床医生在进行决策时,AI可以更理性、全方位地评估治疗方案。早在2006年,Francois教授使用FSH、BMI、年龄和窦卵泡数制定算法预测个体化的卵巢刺激Gn用量,即我们熟知的CONSORT研究算法模型。在此之后,越来越多的研究探索如何使用AI判断卵巢刺激过程中扳机的时机、随访的时机和剂量调整的时机以及扳机后的获卵数。
Saravelos教授以“ALIFE”软件为例,介绍了AI模型建立的过程以及在卵巢刺激流程中的使用案例。模型建立之初,应用SART CORS数据库数据分析发现,获卵率越多,受精卵数、形成囊胚数以及累计活产率越高,因此确立了模型建立的目标,即尽可能多获卵。根据此目标,研究团队分别对Gn启动剂量和扳机时间的决策建立了AI模型。在建立Gn启动剂量模型时发现,卵巢对Gn的反应性呈现出两种情况,一种是卵巢反应对Gn呈剂量依赖性,而另一种则是无论给药剂量是多少,卵巢反应性均没有太大变化。这种现象也与我们的临床实践是相吻合的,因此采用AI模型预测启动剂量,可以在一定程度上避免对Gn反应不敏感的人群无意义增加Gn剂量。
在卵巢刺激中,AI可以精准的对于助孕女性提供个体化的促排卵方案选择,给临床医生合理的建议,今后随着科技的发展,希望AI可以帮助临床医生解决更多的医学难题,而非取而代之。
3. 您对人工智能(AI)在胚胎的冷冻保存和选择中的应用有哪些观点和看法?
大会上Monica教授提出,AI可以理解复杂的数据,观察到胚胎学家无法观测到的细微差异,提供更客观的胚胎评估,且在接触学习中通过扩大数据样本量变得更加精准可靠,同时流程的标准化和自动化大大减少胚胎学家的工作量。
胚胎筛选是通过鉴定具有最佳健康活产潜力的胚胎,是能够最大限度地提高试管婴儿周期成功率的关键步骤。Monica教授介绍了目前在使用的一些胚胎筛选的AI模型,包括IVY、iDAScore、Xception、STORK、ERICA、Life Whisperer等,这类模型均在不同方面表现出了优势。IVY模型采用了深度学习(DL)对10,638个胚胎的time-lapse影像进行了分析学习,通过time-lapse预测临床妊娠能力的AUC 达到0.93;iDAScore是卷积神经网络模型(CNN),利用人工智能技术对胚胎time-lapse数据自动分析,无需人工手动注释胚胎的任何参数;Xception模型对胚胎图像进行分析学习,对囊胚与非囊胚评估的准确性达到90.9%,对优质囊胚的评定准确度超过99.5%;STORK模型预测囊胚质量的能力AUC达到0.98以上,表现出了良好的性能;ERICA模型可以快速进行囊胚排序,平均4枚囊胚的排序时间低于25s。一篇纳入20个研究的系统性评价表明,无论在胚胎评估方面还是对于妊娠率的预测,AI都优于胚胎学家。
胚胎冷冻保存也是ART的关键步骤,好的胚胎冷冻保存技术可以最大限度的提高妊娠率,减少卵巢过度刺激的发生,但这个过程可能会被人为因素干扰。2019年,欧洲首次报道了一例通过自动化冷冻技术冷冻的囊胚复苏后成功妊娠的案例。这项AI模型是卷积神经网络模型(CNN),回顾性学习了119名患者的652个time lapse胚胎视频数据,用以帮助胚胎学家评估移植前解冻囊胚存活率,解冻后2小时和3小时,该模型预测性能AUC分别为0.869 和0.807 ,而胚胎学家的预测效果AUC为0.829 和0.850 (95% CI 0.773, 0.908)。未来该模型可以帮助胚胎学家确定哪些胚胎可能无法在解冻过程中存活下来,避免移植不可用胚胎,从而达到增加妊娠可能性的目的。
AI技术具有标准化,较高的效率和准确度,今后需要更多高质量的随机对照研究和前瞻性研究来判断AI在胚胎选择和胚胎冷冻保存中的使用价值。
叶虹 教授
重庆医科大学附属妇女儿童医院
重庆医科大学附属妇女儿童医院生殖医学中心临床医学部主任
重庆市医学会生殖医学分会主任委员
重庆市妇幼卫生学会生殖医学专委会主任委员
中华生殖医学会临床学组成员
国家ART管理专家库成员
中国优生科学协会环境与社会优生分会常委
中国妇幼保健协会ART监测与评估专业委员会常委
专业方向:不孕不育症的诊断与治疗、女性生殖内分泌、促排卵及控制性超排卵技术、试管婴儿临床技术