Hội Nội tiết sinh sản và Vô sinh TPHCM
HOSREM - Ho Chi Minh City Society for Reproductive Medicine

Tin chuyên ngành
on Friday 02-07-2021 4:13pm
Viết bởi: Khoa Pham
Ths. Trần Hà Lan Thanh_IVFMD Phú Nhuận

Hiện nay, có nhiều phương pháp đánh giá lựa chọn giao tử như dựa vào hình thái, biểu hiện gen, xét nghiệm sự toàn vẹn DNA, trao đổi chất… Trong đó, phương pháp lựa chọn giao tử 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 thụ tinh trong ống nghiệm (TTTON). Tuy nhiên, việc đánh giá hình thái giao tử một cách thủ công chủ quan bởi chuyên viên phôi học dẫn đến độ chính xác và đồng thuận chưa cao. Việc nâng cao mức độ chính xác trong việc lựa chọn giao tử tiềm năng là rất cấp thiết nhằm nâng cao hiệu quả điều trị đạt được kết cục em bé sinh sống khoẻ mạnh sau TTTON, nhưng vẫn đang gặp nhiều thách thức. Gần đây, công nghệ trí tuệ nhân tạo đã được nghiên cứu để phân tích dữ liệu hình thái giao tử hoặc phân mảnh DNA tinh trùng nhằm cải thiện độ chính xác trong lựa chọn giao tử tiềm năng tốt.

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 [1][2].

Công nghệ AI phát triển với nhiều mức độ khác nhau, từ bao quát như phương pháp như học máy (machine learning) đến học sâu (deep learning) 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 AI trong lựa chọn tinh trùng
Các thông số cơ bản để đánh giá chất lượng mẫu tinh dịch của nam giới là số lượng, độ di động và hình dạng của tinh trùng. Việc phân tích các yếu tố này chủ yếu theo phương pháp thủ công bởi chuyên viên nam khoa còn mang tính chủ quan. Nghiên cứu của Thirumalaraju và cộng sự (2018) đã ứng dụng công nghệ AI vào nhận diện hình dạng tinh trùng. Nghiên cứu đã sử dụng mạng lưới thần kinh nhân tạo (ANN) để phân tích 3.820 hình ảnh tinh trùng và xây dựng được thuật toán nhận diện hình dạng tinh trùng bất thường và bình thường với độ chính xác là 100%. Như vậy, AI có thể ứng dụng để đánh giá hình dạng tinh trùng nhanh chóng với tính chính xác cao [3].
Ngoài đánh giá hình dạng, AI cũng cho phép lựa chọn tinh trùng với tính toàn vẹn DNA cao theo nghiên cứu của McCallum và cộng sự (2019). Nhóm đã sử dụng thuật toán học sâu của công nghệ AI (deep learning) để phân tích 1.064 hình ảnh tinh trùng đã biết kết cục phân mảnh DNA tinh trùng (chỉ số phân mảnh DNA - DFI). Kết quả cho thấy có mối tương quan giữa hình ảnh tinh trùng với DFI, với chỉ số tương quan xấp xỉ là 0,43. Nghiên cứu mở ra triển vọng ứng dụng thuật toán học sâu hỗ trợ chuyên viên phôi học lựa chọn tinh trùng với tính toàn vẹn DNA cao trực tiếp dưới kính hiển vi quang học để tiêm tinh trùng vào bào tương noãn (ICSI) một cách nhanh chóng (với tốc độ < 10 ms mỗi tinh trùng) [4].

Một công cụ đánh giá hình dạng tinh trùng tự động, rẻ tiền và cơ động để xét nghiệm tinh trùng tại nhà đã được nghiên cứu. Nhóm các nhà nghiên cứu đến từ Đại học Y Harvard (Mỹ) đã sử dụng điện thoại thông minh kết hợp với thuật toán DL để phân tích hình dạng tinh trùng. Hình ảnh tinh trùng của 35 nam giới được chụp từ kính hiển vi đặc biệt gắn với điện thoại thông minh. Để xây dựng mô hình tiên lượng, nhóm đã sử dụng 170.000 hình ảnh tinh trùng trong giai đoạn đào tạo; và dùng 7.000 hình ảnh để kiểm chứng lại mô hình. Kết quả phân tích 35 mẫu tinh dịch bằng hệ thống điện thoại thông minh kết hợp với thuật toán học sâu đã tiên lượng chính xác chất lượng hình dạng tinh trùng (≥4% tinh trùng hình dạng bình thường) với độ chính xác 88,5% (CI 95% 73,3%-96,8%). Hơn nữa, giá trị AUC của đường cong ROC là 92,8 (CI 95% 78,8%-98,8%); độ nhạy, độ đặc hiệu, giá trị tiên lượng dương, giá trị tiên lượng âm tương ứng là 80%, 92%, 80%, 92% [5]. Đây là nghiên cứu đầu tiên chứng minh công nghệ trí tuệ nhân kết hợp với điện thoại thông minh có thể xác định chất lượng hình dạng tinh trùng. Công cụ này cho phép phân tích nhanh, chính xác, tự động, khách quan và thích hợp cho xét nghiệm tại nhà.

Trí tuệ nhân tạo cũng được ứng dụng để phát triển mô hình tiên lượng kết quả thành công sau thụ tinh trong ống nghiệm cổ điển (IVF) bằng một thông số đặc tính của tinh trùng. Nghiên cứu được đăng vào đầu năm 2021, đã đo pH nội bào (pHi) của tinh trùng người và phát triển một thuật toán học máy để dự đoán thành công sau IVF ở trường hợp nam giới có khả năng sinh sản bình thường [6]. Dữ liệu để xây dựng thuật toán là 76 cặp vợ chồng với khả năng sinh sản của nam giới bình thường điều trị IVF cổ điển, trong đó 58 bệnh nhân dừng ở bước đào tạo thuật toán và ở bước kiểm chứng là 18 bệnh nhân. Một thuật toán máy học được đào tạo dựa trên dữ liệu lâm sàng, pHi của tinh trùng và điện thế màng của tinh trùng để dự đoán khả năng thành công của IVF cổ điển. Thành công IVF cổ điển được định nghĩa là tỷ lệ thụ tinh bình thường 2 tiền nhân (số lượng hợp tử 2PN / số lượng noãn trưởng thành) lớn hơn 66%. Phương pháp dòng chảy tế bào được sử dụng để đo pHi của tinh trùng, và phân tích tinh dịch đồ bằng máy tính (CASA) được sử dụng để đo khả năng tăng động của tinh trùng. pHi của tinh trùng tương quan thuận với khả năng tăng động và tỷ lệ thụ tinh bình thường IVF cổ điển (n = 76) nhưng không tương quan với tỷ lệ thụ tinh sau khi ICSI (n = 38). Kiểm chứng thuật toán máy học đã dự đoán IVF cổ điển thành công với độ chính xác trung bình là 0,72, AUC là 0,81, độ nhạy trung bình 0,65 và độ đặc hiệu trung bình là 0,80. Như vậy, pHi của tinh trùng có mối tương quan với kết quả thụ tinh sau IVF cổ điển ở những nam giới bình thường về khả năng sinh sản. Một thuật toán máy học có thể sử dụng các thông số lâm sàng và dấu hiệu khả năng hoạt hoá của tinh trùng để dự đoán chính xác khả năng thụ tinh thành công ở nam giới bình thường điều trị IVF cổ điển [6].

3.    Ứng dụng AI trong lựa chọn noãn
Bên cạnh ứng dụng để lựa chọn tinh trùng có hình dạng bình thường hay có tính toàn vẹn DNA cao thì AI còn được ứng dụng để lựa chọn noãn.
Đầu năm 2013, trí tuệ nhân tạo đã được nhóm nhà nghiên cứu người Ý (Claudio Manna và cộng sự) ứng dụng để phân loại chất lượng noãn tự động. Thuật toán AI dựa vào mô hình mạng lưới thần kinh nhân tạo được xây dựng từ 269 hình ảnh noãn của 104 phụ nữ. Các noãn này đã được theo dõi kết quả tạo phôi và kết quả đạt trẻ sinh sống sau chuyển phôi (150 noãn đạt trẻ sinh sống và 12 noãn không đạt trẻ sinh sống). Mặc dù thuật toán được xây dựng trên bộ dữ liệu chưa nhiều nhưng đạt giá trị tiên lượng tương đối cao (với giá trị AUC xấp xỉ 0,8) [7]. Đây là nghiên cứu tiền đề mở ra triển vọng ứng dụng chọn lọc từ giai đoạn noãn ở những quốc gia có luật hạn chế can thiệp trên phôi.

Đến năm 2018, Kort và cộng sự đã sử dụng các thông số cơ học vật lý của noãn cùng với tuổi mẹ để xây dựng mô hình tiên lượng khả năng tạo phôi nang bằng thuật toán học máy. Các thông số cơ học vật lý của noãn như k0, k1, tau, eta0, eta1, được phân tích bằng công cụ cơ học Zener. Việc đánh giá thông số cơ học của noãn không ảnh hưởng đến kết quả nuôi cấy phôi. Mô hình trí tuệ nhân tạo dựa vào ML được xây dựng bằng các thông số này và tuổi mẹ. Bên cạnh đó, một chuyên viên phôi học có kinh nghiệm hơn 30 năm sẽ tiên lượng khả năng tạo phôi nang bằng cách sử dụng hình ảnh của những noãn dùng xây dựng mô hình AI, tuổi mẹ cùng với chỉ định điều trị. Kết quả xây dựng được mô hình dựa vào học máy với độ chính xác tốt hơn sự tiên lượng của chuyên viên phôi học có kinh nghiệm (giá trị tiên lượng dương [PPV]: 80% so với 44% và giá trị tiên lượng âm [NPV] là 63,8% so với 46%) [8].
Các đặc điểm hình thái và thông số cơ học của noãn có thể được sử dụng để tiên lượng khả năng phát triển của phôi sau này bằng công nghệ trí tuệ nhân tạo, từ đó mở ra triển vọng ứng dụng chọn lọc từ giai đoạn noãn ở những quốc gia có luật hạn chế can thiệp trên phôi. Tuy nhiên, số nghiên cứu về lựa chọn noãn còn rất ít. Do đó, cần thêm các nghiên cứu xây dựng mô hình tiên lượng lựa chọn các noãn có tiềm năng phát triển tốt.

Kết luận
Trí tuệ nhân tạo được áp dụng để đánh giá lựa chọn giao tử có tiềm năng tốt. Công nghệ AI được ứng dụng để lựa chọn tinh trùng có hình dạng bình thường hay có tính toàn vẹn DNA cao. Qua đó, phát triển công cụ đánh giá hình dạng tinh trùng tự động, nhanh chóng với độ chính xác đáng tin cậy. Bên cạnh đó, các đặc điểm hình thái và thông số cơ học của noãn có thể được sử dụng để tiên lượng khả năng phát triển của phôi sau này bằng công nghệ trí tuệ nhân tạo. Tuy nhiên, số nghiên cứu về lựa chọn giao tử còn rất ít. Do đó, cần thêm các nghiên cứu xây dựng mô hình tiên lượng bằng trí tuệ nhân tạo để lựa chọn các giao tử có tiềm năng phát triển tốt nhằm cải thiện kết quả điều trị thụ tinh ống nghiệm.

Tài liệu tham khảo
[1]     R. Wang et al., “Artificial intelligence in reproductive medicine,” Reproduction, vol. 158, no. 4, pp. R139–R154, 2019.
[2]     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., pp. 71–85, 2019.
[3]     P. Thirumalaraju et al., “Automated sperm morpshology testing using artificial intelligence,” Fertil. Steril., vol. 110, no. 4, p. e432, 2018.
[4]     C. McCallum et al., “Deep learning-based selection of human sperm with high DNA integrity,” Commun. Biol., vol. 2, no. 1, pp. 1–10, 2019.
[5]     P. Thirumalaraju et al., “Human sperm morphology analysis using smartphone microscopy and deep learning,” Fertil. Steril., vol. 112, no. 3, p. e41, 2019.
[6]     S. Gunderson et al., “Machine-learning algorithm incorporating capacitated sperm intracellular pH predicts conventional in vitro fertilization success in normospermic patients,” Fertil Steril, vol. 115, no. 4, pp. 930–939, 2021.
[7]     C. Manna, L. Nanni, A. Lumini, and S. Pappalardo, “Artificial intelligence techniques for embryo and oocyte classification,” Reprod. Biomed. Online, vol. 26, no. 1, pp. 42–49, 2013.
[8]     J. Kort et al., “Predicting blastocyst formation from oocyte mechanical properties: a comparison of a machine learning classifier with embryologist morphological assessment,” Fertil. Steril., vol. 110, no. 4, p. e29, 2018.

Các tin khác cùng chuyên mục:
TIN CẬP NHẬT
TIN CHUYÊN NGÀNH
LỊCH HỘI NGHỊ MỚI
Năm 2020

Kính mời quý đồng nghiệp đăng ký tham gia webinar ngày 8.8.2021 ...

GIỚI THIỆU SÁCH MỚI

Mời gửi bài tham gia sách Sản Phụ khoa - Từ bằng chứng đến ...

Mời tham gia gửi bài cho Tạp chí Phụ sản, dự kiến ra tháng ...

Y học sinh sản số 58 dự kiến ra mắt và gửi đến quý hội ...

ĐỐI TÁC
FACEBOOK