Từ những ngày đầu tiên trong lịch sử ngành thụ tinh ống nghiệm, các nhà nghiên cứu đã cho thấy sự tương quan giữa tỉ lệ phát triển của phôi và các kết quả đạt được, với xu hướng chuyển đơn phôi nang hiện nay việc đánh giá tiềm năng phát triển của phôi càng được chú trọng. Thông thường, với hệ thống đánh giá phôi dựa vào hình thái, phôi nang được đánh giá gián tiếp dựa vào sự nở rộng, lớp tế bào inner cell mass (ICM) và trophectoderm (TE), cách đánh giá này tương đối hiệu quả và dễ thực hiện. Tuy nhiên, các nghiên cứu trong quá trình phát triển của phôi còn cho thấy động học phát triển của phôi ở từng giai đoạn cũng phản ánh quá trình trao đổi chất hay tiềm năng làm tổ của phôi, đây là một cơ sở quan trọng dẫn đến xu hướng đánh giá phôi liên tục dựa vào công nghệ time-lapse, với hình thức này, các hình ảnh trong quá trình phôi phát triển được ghi nhận liên tục và sẽ được phân tích khi kết thúc quá trình nuôi cấy, giá trị đánh giá phôi của phương pháp này được chứng minh thông qua một số nghiên cứu đối chứng ngẫu nhiên. Mặc dù có nhiều ưu thế hơn so với phương pháp đánh giá hình thái thông thường, hệ thống time-lapse vẫn còn một số hạn chế như: Các thuật toán đánh giá chỉ sử dụng một phần các hình ảnh thu nhận được, tập trung đa phần vào các mốc thời gian có liên quan đến sự phân chia hay các giai đoạn phát triển đặc thù của phôi, bên cạnh đó, các yếu tố chủ quan và khách quan từ chuyên viên đọc phôi cũng có thể ảnh hưởng đến kết quả của thuật toán. Deep learning là một lĩnh vực thuộc ngành máy học (machine learning) có cơ chế hoạt động, phân tích chủ yếu dựa trên dữ liệu đầu vào, có tính chất kết hợp linh hoạt, tích lũy sự đa dạng từ nhiều lớp dữ liệu và khác biệt hoàn toàn so với các phương pháp lập trình trước đây, đang dần được sử dụng rộng rãi trong lĩnh vực y tế nói chung và công nghệ hỗ trợ sinh sản nói riêng. Deep learning có thể sử dụng trực tiếp dữ liệu time-lapse chưa qua xử lý từ các chuyên viên (quá trình ghi chú các hình ảnh), nhờ đó mà toàn bộ dữ liệu đều được đánh giá và tính khách quan của kết quả không bị ảnh hưởng bởi yếu tố con người. Bài nghiên cứu được thực hiện nhằm phát triển thuật toán, tên là IVY, dựa vào deep learning và dữ liệu time-lapse nhằm đánh giá khả năng phát triển của phôi nang đến giai đoạn hình thành tim thai.
 
Thiết kế nghiên cứu:

Đây là một phân tích hồi cứu các dữ liệu time-lapse và kết quả lâm sàng của 10638 phôi từ tám trung tâm hỗ trợ sinh sản, trên bốn quốc gia khác nhau, thực hiện từ tháng 1/2014 đến 12/2018. Mô hình deep learning được đào tạo bằng cách sử dụng các video time-lapse với kết quả mang thai đến giai đoạn hình thành tim thai (fetal heart, FH) đã biết để thực hiện phân loại nhị phân để dự đoán xác suất mang thai. Khả năng mô hình được đánh giá bằng cách sử dụng ước tính diện tích dưới đường biểu diễn ROC (average area under the curve, AUC).
 
Kết quả:

Mô hình deep learning có thể dự đoán thai FH từ các video time-lapse với giá trị AUC là 0,93 [95% CI 0,92 - 0,94] với 5 lần cross-validation. Thử nghiệm xác nhận trên 8 trung tâm hỗ trợ sinh sản cho thấy giá trị AUC có thể tái lặp từ 0,95 đến 0,90 với sự khác nhau về phòng lab, môi trường nuôi cấy và quy trình thực hiện.
 
Kết luận:

IVY có khả năng dự đoán thai FH với tỉ lệ tương đồng cao. Bên cạnh các kết quả thu được, một số hạn chế của nghiên cứu có thể đề cập như: thiết kế hồi cứu, các video đánh giá chỉ được thu nhận từ máy Embryoscope và Embryoscope plus. Trong tương lai cần được đánh giá trên các nghiên cứu đối chứng ngẫu nhiên và cần xây dựng khả năng dự đoán trên mô hình chuyển phôi ngày 3.
 
Nguồn tham khảo:
Tran, D., S. Cooke, P.J. Illingworth, D.K. Gardner., Deep learning as a predictive tool for fetal heart pregnancy following time-lapse incubation and blastocyst transfer. Hum. Reprod. 2019 10.1093/humrep/dez064.

Từ khóa: Sử dụng deep learning như một công cụ dự đoán tiềm năng phát triển của phôi nang nuôi cấy với tủ time-lapse đến giai đoạn hình thành tim thai