Các phương pháp lựa chọn phôi giữ vai trò quan trọng giúp cải thiện hiệu quả của thụ tinh trong ống nghiệm (TTTON) trong suốt 40 năm qua. Tuy nhiên, độ chính xác trong việc lựa chọn phôi tiềm năng vẫn còn thấp. Theo thống kê, tỉ lệ trẻ sinh sống chỉ xấp xỉ 30% trên số chu kỳ chuyển phôi [1]. Bên cạnh đó, việc chuyển nhiều hơn một phôi do chưa chắc chắn tiềm năng phát triển của phôi đã làm tăng biến chứng đa thai sau TTTON. Vì vậy, việc nâng cao mức độ chính xác trong việc lựa chọn phôi tiềm năng vẫn đang là thách thức để hướng đến chiến lược chuyển đơn phôi chọn lọc có hiệu quả, nhằm đạt được kết cục em bé sinh sống khoẻ mạnh sau TTTON.

Hiện nay, có nhiều phương pháp đánh giá lựa chọn phôi như dựa vào hình thái, động học phát triển, xét nghiệm di truyền tiền làm tổ, trao đổi chất… Trong đó, phương pháp lựa chọn phôi dựa trên yếu tố hình thái là cách tiếp cận không xâm lấn, đơn giản nhất vẫn được áp dụng thường quy tại các trung tâm TTTON. Tuy nhiên, việc đánh giá hình thái phôi một cách thủ công bởi chuyên viên phôi học thường mất nhiều thời gian và phụ thuộc vào kinh nghiệm dẫn đến độ chính xác và đồng thuận chưa cao. Gần đây, công nghệ trí tuệ nhân tạo đã được nghiên cứu để phân tích dữ liệu hình thái giao tử và phôi nhằm cải thiện độ chính xác trong lựa chọn phôi tiềm năng.
 

1. Trí tuệ nhân tạo là gì

 Trí tuệ nhân tạo (Artificial intelligence – AI) là một ngành thuộc lĩnh vực khoa học máy tính. AI được lập trình để mô phỏng khả năng của trí tuệ con người như suy nghĩ, hiểu ngôn ngữ, biết học tập, tích luỹ kinh nghiệm để giải quyết vấn đề. Công nghệ AI đã phát triển nhanh chóng và được ứng dụng trong nhiều lĩnh vực của cuộc sống như sản xuất, thương mại điện tử, tiếp thị, giao thông, y tế… Năm 1990, AI bắt đầu được nghiên cứu ứng dụng vào lĩnh vực HTSS thông qua việc tạo ra một thuật toán để tiên lượng kết cục TTTON. Trong vòng 20 năm qua, công nghệ AI với các thuật toán khác nhau đã được nghiên cứu với nhiều mục đích, bao gồm phân loại tinh trùng, lựa chọn noãn và phôi [2][3].

Công nghệ AI phát triển với nhiều mức độ khác nhau, từ bao quát như phương pháp như học máy (machine learning-ML) đến học sâu (deep learning-DL) với mô hình mạng lưới thần kinh nhân tạo (artificial neural network-ANN), mạng thần kinh tích chập (convolutional neural network-CNN) hay mạng thần kinh sâu (deep neural network-DNN).

2. Ứng dụng trí tuệ nhân tạo để tăng hiệu quả lựa chọn phôi trong TTTON

Thực tế, mỗi phôi có khoảng 403,2 triệu dữ liệu có thể được khai thác để biết được tiềm năng phát triển của phôi. Dữ liệu này bao gồm hình ảnh, video quá trình phát triển của phôi, động học của phôi, thông tin về chất chuyển hoá của phôi, đặc điểm nền bệnh nhân…. Toàn bộ dữ liệu này được phân tích bởi thuật toán AI nhằm phân loại tự động hình thái phôi hoặc tiên lượng các kết cục như khả năng phôi nguyên bội, phôi làm tổ, đạt trẻ sinh sống… Đây là phương pháp lựa chọn phôi không xâm lấn, khách quan, tiết kiệm thời gian, độ chính xác tiên lượng cao. Qua đó, giúp cải thiện tỉ lệ thành công cho TTTON… Một số nghiên cứu nổi bật về ứng dụng AI trong lựa chọn phôi tiềm năng được tóm tắt sau đây.

Nghiên cứu của Thirumalaraju và cộng sự (2019) đã xây dựng mô hình tiên lượng tiềm năng phát triển thành phôi nang từ hình ảnh của phôi ngày 2 và ngày 3 bằng thuật toán DL. Độ chính xác của mô hình tiên lượng phôi nang từ hình ảnh phôi ở ngày 2 hoặc ngày 3 này tương đối cao (lần lượt là 68,13% và 71,42%), đặc biệt là ở nhóm phôi tốt (lần lượt là 90% và 95%). Nghiên cứu đã minh chứng rằng AI rất triển vọng trong việc lựa chọn phôi tốt giai đoạn phân chia một cách khách quan với độ chính xác tương đối cao [4].

Nghiên cứu của Khosravi và cộng sự (2019) đã ứng dụng AI để xây dựng mô hình STORK phân loại tự động chất lượng phôi nang (phôi tốt hoặc phôi xấu) với độ chính xác khá cao (~98%). Đồng thời, nghiên cứu cũng sử dụng tuổi bệnh nhân và chất lượng phôi nang chuyển (được đánh giá bằng STORK) để tiên lượng tỉ lệ mang thai. Kết quả cho thấy cơ hội có thai dựa vào chất lượng phôi nang biến động từ 13,8% (tuổi >41 và chuyển phôi xấu) lên đến 66,3% (tuổi <37 và chuyển phôi tốt). Đây là nghiên cứu sử dụng dữ liệu lớn cho giá trị tiên lượng chất lượng phôi chính xác khá cao [5].

Nghiên cứu của Tran và cộng sự (2019) đã xây dựng mô hình IVY tiên lượng khả năng phôi làm tổ và có tim thai bằng thuật toán DL dựa trên video phôi phát triển đến phôi nang. Độ chính xác của mô hình IVY ghi nhận rất cao (AUC= 0,93). Mô hình IVY được kiểm định tại 8 trung tâm TTTON tham gia nghiên cứu cho độ chính xác khả thi, với AUC khoảng 0,95 - 0,90. Hiện tại đây là nghiên cứu báo cáo có cỡ mẫu lớn nhất với kết quả đạt được rất khả quan [6].

Nghiên cứu Miyagi và cộng sự (2019) cũng đã sử dụng AI phân tích hình ảnh phôi nang để tiên lượng trẻ sinh sống có nguồn gốc từ phôi nguyên bội. Thuật toán cho kết quả tốt, phân biệt kết cục trẻ sinh sống với sẩy thai do phôi bất thường nhiễm sắc thể (dựa vào xét nghiệm sinh thiết gai nhau) có độ chính xác, độ nhạy, độ đặc hiệu, giá trị tiên lượng dương lần lượt là 0,65, 0,6, 0,7, 0,67 [7].

Nghiên cứu mới nhất năm 2020 của Bormann và cộng sự cho thấy việc ứng dụng DNN của công nghệ AI có thể là một phương pháp phân loại và lựa chọn phôi với độ tin cậy vượt trội và tính nhất quán cao. Đây là nghiên cứu tiến cứu mù đôi sử dụng dữ liệu hình ảnh phôi hồi cứu ghi nhận được kết quả là hệ số biến thiên (% CV) của giữa chuyên viên phôi học trong phân loại phôi là 82,84% ở phôi ngày 3 và 44,98% ở phôi nang, còn DNN đều là 100%. Còn trong đánh giá lựa chọn phôi nang để trữ lạnh thì DNN nhất quán vượt trội hơn so với các chuyên viên phôi học với tỷ lệ đồng thuận lần lượt là 83,92% so với 57,68% (p<0,05); cũng như hệ số khi phân tích Cronbach’s của DNN là 1,00 cao hơn đáng kể so với chuyên viên phôi học là 0,60 (p<0,05) [8].

3. Một số sản phẩm thương mại ứng dụng công nghệ AI trong lựa chọn phôi

Hiện nay, ứng dụng công nghệ AI trong lựa chọn phôi đã có các sản phẩm thương mại. Thuật toán Eeva là một trong những ứng dụng AI được thương mại hoá, sản phẩm này kết hợp với phần mềm phân tích phôi của tủ cấy time-lapse từ năm 2012. Eeva có khả năng nhận diện hình ảnh phôi bào được chụp liên tục trên nền ảnh tối. Từ đó, Eeva có thể phân tích tự động tiến trình phát triển liên tục của phôi và phân tích theo dữ liệu có sẵn để chọn phôi tiềm năng có thai theo thứ tự ưu tiên [9]. Một sản phẩm khác là Life Whisperer, có thể phân tích hình ảnh 2D của phôi ngày 5 để tiên lượng khả năng làm tổ. Theo báo cáo mới công bố tháng 4 / 2020, Life Whisperer tiên lượng phôi làm tổ đạt độ chính xác cao hơn lựa chọn hình thái phôi bởi các chuyên viên phôi học có kinh nghiệm là 24,7% [10].

Ngoài ra, AI cũng được ứng dụng để hỗ trợ phân tích kết quả xét nghiệm di truyền phôi tiền làm tổ với tên thương mại là PGTai (CooperSurgical). Mô hình PGTai được xây dựng bằng thuật toán ML dựa trên dữ liệu lớn khoảng 10.000 hình ảnh kết quả xét nghiệm NGS của phôi trong PGT-A để cải thiện độ chính xác của kết quả PGT-A, hạn chế tính chủ quan và sai sót do con người. Theo thông tin sản phẩm của CooperSurgical, áp dụng PGTai đã tăng 7,7% phôi nguyên bội và giảm 21,2% phôi khảm cũng như 4,2% phôi lệch bội so với phương pháp kỹ thuật viên đọc kết quả NGS thông thường (https://www.coopergenomics.com). Theo nghiên cứu của Wilcox A và cộng sự (2019) thì kết quả mô hình PGTai đọc phôi nguyên bội cao hơn đáng kể so với kỹ thuật viên (45,8% so với 33,1%; p < 0,05) cũng như tỷ lệ phôi khảm tỷ lệ thấp ít hơn (5,1% so với 12,6%; p < 0,05). Trong khi, tỷ lệ đọc phôi khảm tỷ lệ cao (40-80%), phôi lệch bội hoặc phôi mang nhiều bất thường NST giữa AI và kỹ thuật viên tương tự nhau (lần lượt là 8% so với 6,7% và 42,2% so với 37,1%) [11].

4. Những thách thức của AI khi ứng dụng vào labo TTTON

Bên cạnh những ưu điểm, việc ứng dụng AI vào labo TTTON cũng có nhiều thách thức về khía cạnh quản lý dữ liệu, chi phí đầu tư và áp dụng sản phẩm thương mại hoá vào trung tâm mới cũng như quyền hạn can thiệp của AI so với nhân viên y tế trong thực hành lâm sàng. Về khía cạnh dữ liệu, đơn vị phát triển và sử dụng AI cần có hệ thống thu thập dữ liệu chuẩn hoá được quản lý chặt chẽ. Bên cạnh chuyên gia AI, chuyên viên phôi học cần trang bị nền tảng về AI để nghiên cứu cũng như áp dụng các sản phẩm AI vào thực hành ở labo TTTON. Việc nghiên cứu và ứng dụng AI vào labo TTTON cần được đánh giá về hiệu quả trên mô hình hoạt động tại chỗ. Thực tế, AI chỉ hỗ trợ chứ không thay thế hoàn toàn vai trò của chuyên viên phôi học trong việc ra quyết định sử dụng phôi. Ngoài ra, cũng có quan điểm lo ngại rằng nếu AI hiện đã chọn được phôi chất lượng tốt hoặc bình thường thì liệu nó có thể được lợi dụng để chọn phôi với đặc điểm di truyền tốt nhất. Nhiều vấn đề về quyền hạn, đạo đức thực hành liên quan đến AI cần được cân nhắc và làm rõ trong thời gian tới.

5. Kết luận

AI mở ra triển vọng đưa công nghệ số và tự động hoá vào labo TTTON nhằm tăng chính xác trong đánh giá và lựa chọn phôi, giúp cải thiện hiệu quả điều trị. AI không thay thế hoàn toàn chuyên viên phôi học mà chỉ đóng vai trò hỗ trợ để tăng hiệu quả hoạt động của labo TTTON. Với nguồn dữ liệu lớn chưa được khai thác, cơ hội nghiên cứu và ứng dụng AI vào các labo TTTON tại Việt Nam đang dần được quan tâm nhiều hơn.

Tài liệu tham khảo

[1]  S. Sunderam et al., “Assisted Reproductive Technology Surveillance - United States, 2016,” MMWR. Surveill. Summ., 2019.
[2]  R. Wang et al., “Artificial intelligence in reproductive medicine,” Reproduction, , 2019.
[3]  C. L. Curchoe and C. L. Bormann, “Artificial intelligence and machine learning for human reproduction and embryology presented at ASRM and ESHRE 2018,” J. Assist. Reprod. Genet., 2019.
[4]  P. Thirumalaraju et al., “Deep learning-enabled blastocyst prediction system for cleavage stage embryo selection,” Fertil. Steril., 2019.
[5]  P. Khosravi et al., “Deep learning enables robust assessment and selection of human blastocysts after in vitro fertilization,” npj Digit. Med., vol. 2, no. 1, pp. 1–9, 2019.
[6]  D. Chan et al., “Deep learning as a predictive tool for fetal heart pregnancy following time-lapse incubation and blastocyst transfer,” Hum. Reprod., 2019.
[7]  Y. Miyagi et al., “Feasibility of artificial intelligence for predicting live birth without aneuploidy from a blastocyst image,” Reprod. Med. Biol., 2019.
[8]  C. L. Bormann et al., “Consistency and objectivity of automated embryo assessments using deep neural networks,” Fertil. Steril., 2020.
[9]  D. C. Kieslinger et al., “Embryo selection using time-lapse analysis ( Early Embryo Viability Assessment ) in conjunction with standard morphology : a prospective two-center pilot study,” Hum. Reprod., 2016.
[10]     M. VerMilyea et al., “Development of an artificial intelligence-based assessment model for prediction of embryo viability using static images captured by optical light microscopy during IVF,” Hum. Reprod., 2020.
[11]     A. Wilcox, J. Thorne, J. Nulsen, C. Benadiva, and D. R. Grow, “Reducing the frequency of embryo mosaicism through artificial intelligence,” Fertil. Steril., 2019.
 
 

Từ khóa: Ứng dụng trí tuệ nhân tạo để tăng hiệu quả lựa chọn phôi trong thụ tinh ống nghiệm