Ths. Trần Hà Lan Thanh_IVFMD Phú Nhuận

Lựa chọn phôi chất lượng tốt nhất là chìa khóa để chọn phôi làm tổ thành công trong điều trị thụ tinh trong ống nghiệm (TTTON). Nuôi cấy phôi trong hệ thống camera quan sát liên tục (TLM) và sử dụng các thông số động học hình thái từ TLM là một phương pháp đánh giá lựa chọn phôi.
 
Các thông số động học hình thái thu nhận từ TLM ngày càng được sử dụng để lựa chọn phôi tiềm năng tốt. Tuy nhiên, việc đánh dấu chú thích các thông số này được thực hiện một cách thủ công bởi các chuyên viên phôi học. Điều này làm mất thời gian và phụ thuộc vào kinh nghiệm của từng người, dẫn đến có thể sai khác đánh dấu thông số giữa trong cùng hoặc khác trung tâm TTTON. Do đó, việc đánh dấu thủ công làm hạn chế việc thu thập nguồn dữ liệu lớn từ TLM, cũng như việc thực hiện các nghiên cứu đa trung tâm về động học phôi. Hơn nữa, các hệ thống TLM khác nhau sẽ góp phần vào việc sai khác về đánh dấu thông số động học. Đánh dấu tự động các thông số động học sẽ giúp cải thiện việc phân tích cơ sở dữ liệu lớn và hạn chế tính chủ quan.
 
Mạng lưới thần kinh tích chập (convolutional neural network - CNN) là một mô hình thuật toán của công nghệ trí tuệ nhân tạo. Trong những năm gần đây, mô hình CNN đã được nghiên cứu với nhiều mục đích ứng dụng vào trong lĩnh vực TTTON, trở thành một công cụ phân loại chất lượng phôi nang tự động bằng hình thái học hoặc tiên lượng khả năng tạo phôi nang từ đặc điểm của noãn hay hình ảnh phôi giai đoạn phân chia. Đây là phương pháp đánh giá và lựa chọn phôi hứa hẹn với các ưu điểm như không xâm lấn, khách quan, tiết kiệm thời gian, độ chính xác tiên lượng cao.
 
Để giải quyết các vấn đề trên, nghiên cứu này được thực hiện nhằm mục đích xây dựng mô hình CNN có khả năng đánh giá tự động hình ảnh hợp tử. Nghiên cứu được tiến hành từ tháng 7/2017 đến tháng 12/2019 tại trung tâm TTTON của đại học Hồng Kong trên các chu kỳ có nuôi cấy phôi trong TLM hệ thống EmbryoScope. Đánh dấu hình thái của mỗi hợp tử gồm 3 đặc điểm là màng trong suốt (ZP), tế bào chất và PN bởi 2 chuyên viên phôi học có kinh nghiệm. Những ca có hình ảnh hợp tử bị mờ, bị vật cản lớn che, hoặc hơn ½ chu vi hợp tử bị che khuất bởi giếng nuôi cấy hoặc bị thoái hoá; chuyển hoặc trữ lạnh phôi trước ngày 5 có nguồn gốc từ các hợp tử xác định không chính xác 3 đặc điểm, chu kỳ có hơn ½ số hợp tử không xác định được chính xác 3 đặc điểm sẽ bị loại khỏi nghiên cứu. Hiệu suất đánh giá tự động của CNN được kiểm tra so sánh với việc đánh giá thủ công bởi chuyên viên phôi học; đồng thời tính kích thước của 3 đặc điểm và so sánh chúng với các giá trị đã được báo cáo trong các nghiên cứu trước đó.
 
Mô hình CNN được xây dựng bởi mạng lưới các lớp đầu vào (input layer), lớp đầu ra (output) và giữa là phức hợp các lớp ẩn (gồm lớp tích chập, lớp gộp, lớp liên kết tổng). Lớp tích chập sẽ phát hiện và trích xuất các đặc tính của hình ảnh. Bản đồ các đặc tính được tạo thành từ lớp tích chập được xử lý tiếp bởi lớp gộp. Phức hợp 2 lớp (lớp tích chập – lớp gộp) được lặp lại vài lần. Sau khi đã được xử lý qua các phức hợp 2 lớp, thì sẽ tổng hợp bộ các điểm đại diện nhất (có thể phân loại nhị phân được) của hình ảnh tại lớp liên kết tổng. Đầu vào là hình ảnh phôi được chụp TLM (512 x 512 pixel) đã qua xử lý cải tiến để tương thích. Dữ liệu đầu ra là mỗi pixel (tương ứng với 0,3275 m²) của tế bào chất, ZP và PN của mỗi hình ảnh.
 
Kết quả ghi nhận được là:

• 1218 hình ảnh từ 24 hợp tử của 14 bệnh nhân điều trị ICSI/ IVF (mỗi kỹ thuật 7 bệnh nhân). Đánh dấu được 1218 cho phân đoạn tế bào chất, 682 cho nhận dạng PN và 408 cho nhận dạng ZP. Sự khác nhau về số lượng khung hình đánh dấu 3 đặc điểm của hợp tử là (1) nghiên cứu chỉ chọn những hình ảnh của hợp tử thụ tinh bình thường với 2PN (682 hợp tử) để đào tạo; (2) do theo lý thuyết là ZP sẽ không thay đổi trong suốt quá trình phát triển của phôi nên chỉ dán nhãn cho 17 khung hình của mỗi phôi, điều này nhằm giảm khối lượng công việc ghi nhãn cho các chuyên viên phôi học. Dữ liệu được chia thành 2 bộ là dữ liệu huấn luyện mô hình và tập dữ liệu kiểm chứng độ chính xác của mô hình. Mô hình được huấn luyện và kiểm chứng qua 5 vòng lặp lại.
• Tế bào chất: Trung bình 974,4 hình ảnh dùng để huấn luyện; 243,6 hình ảnh dùng để kiểm chứng; và độ chính xác trung bình ở cả 2 bộ dữ liệu đều > 97%.
• PN: hình ảnh huấn luyện gồm 2PN nên quy ước PN phía trên bên trái là PN1 và còn lại là PN2, độ chính xác về nhận dạng PN của CNN được tính trung bình trên 2PN. Trung bình 545,6 hình ảnh dùng để huấn luyện; 136,4 hình ảnh dùng để kiểm chứng; độ chính xác trung bình ở cả 2 bộ dữ liệu đều > 84%.
• ZP: trung bình 326,4 hình ảnh dùng để huấn luyện; 82,6 hình ảnh dùng để kiểm chứng; độ chính xác trung bình ở cả 2 bộ dữ liệu đều > 80%.
• Kết quả sau khi so sánh độ chính xác của CNN này với các kết quả được báo cáo trong tài liệu, cho thấy CNN này độ tái tạo áp dụng và tính nhất quán đồng thuận cao.
• Tổng thời gian đánh giá thủ công 3 đặc điểm này bởi chuyên viên phôi học trên 2308 khung hình nhỏ là 468.300 giây còn CNN là 12,18 giây.

 
Đây là thuật toán CNN đầu tiên sử dụng ba đặc điểm của hợp tử người là màng trong suốt (ZP), tế bào chất và tiền nhân (PN). Như vậy, thuật toán CNN có khả năng được áp dụng trong thực tế để đánh giá hợp tử tự động như một công cụ mạnh mẽ với độ chính xác cao, khả năng tái tạo cao và tốc độ nhanh chóng.
 
 
Nguồn: Application of convolutional neural network on early human embryo segmentation during in vitro fertilization, J Cell Mol Med, 2021, doi: 10.1111/jcmm.16288

Từ khóa: mạng lưới thần kinh tích chập, màng trong suốt, tế bào chất, tiền nhân, hình ảnh phôi time lapse