ThS. Trần Hà Lan Thanh -IVFMD Phú Nhuận
 
Việc đánh giá chất lượng phôi và chọn đúng phôi tiềm năng cho chuyển phôi là yếu tố then chốt giúp nâng cao hiệu quả điều trị thụ tinh trong ống nghiệm (TTTON). Hiện nay, có nhiều phương pháp đánh giá phôi như hình thái học giao tử và phôi, động học phát triển của phôi từ hệ thống camera quan sát liên tục (TLM), chuyển hoá của phôi, xét nghiệm di truyền phôi tiền làm tổ (PGT)… Trong đó, phương pháp đánh giá chất lượng phôi và chọn phôi dựa trên yếu tố hình thái là cách tiếp cận đơn giản nhất và vẫn được áp dụng thường quy tại hầu hết các trung tâm TTTON. Tuy nhiên, đây là phương pháp thủ công thường mất nhiều thời gian và phụ thuộc vào kinh nghiệm chuyên môn của người thực hiện nên sự đồng thuận giữa các chuyên viên phôi học vẫn chưa cao ngay khi cùng trung tâm TTTON hoặc giữa các trung tâm khác nhau. Hơn nữa, khả năng phân tích cùng lúc nhiều thông tin về phôi của chuyên viên phôi học còn hạn chế. Do đó, độ chính xác về tiên lượng tiềm năng phát triển thành phôi nang hữu dụng dựa trên hình thái phôi ngày 3 bởi chuyên viên phôi học vẫn còn hạn chế, với giá trị tiên lượng dương (PPV - positive predictive value) khá thấp là 30% - 40% và độ đặc hiệu là 18,3%  23,3%. Vì thế, việc phát triển một phương pháp không xâm lấn và cải thiện hiệu quả lựa chọn phôi vẫn là thách thức chung của TTTON.
 
Hiện tại, có 2 hướng tiếp cận chính để khắc phục hạn chế của phương pháp đánh giá phôi dựa trên hình thái. Hướng tiếp cận thứ nhất là phát triển công cụ phân tích hình ảnh phôi từ TLM. Theo cách này, các thuận toán lựa chọn phôi (ESAs - embryo selection algorithms) đã được xây dựng để tiên lượng các kết cục TTTON như khả năng tạo thành phôi nang, làm tổ, phôi nguyên bội hoặc trẻ sinh sống … Tuy nhiên, PPV của ESAs này cũng không vượt quá 45% (xấp xỉ 38-44%). Hơn nữa, việc xây dựng ESAs theo cách này vẫn chưa khai thác được hết lượng lớn thông tin liên quan đến phôi và chuyên viên phôi học vẫn cần thời gian để thu nhận các thông số động học hình thái phôi để đưa vào ESAs. Trong khi đó, hướng tiếp cận thứ hai là nuôi phôi ngày 5 để phôi tự sàng lọc nhằm loại bỏ phôi ngưng tiến triển sớm. Tuy nhiên, việc nuôi phôi kéo dài đến ngày 5 vẫn tồn tại nhiều yếu tố bất lợi như tăng nguy cơ không có phôi chuyển cho bệnh nhân, tăng áp lực công việc cho chuyên viên phôi học, làm thay đổi yếu tố di truyền biểu sinh của phôi cũng như ảnh hưởng kết cục sản khoa của trẻ sinh ra sau điều trị TTTON. Chính vì vậy, cần gia tăng độ chính xác của việc lựa chọn phôi giai đoạn phân chia để vẫn cải thiện kết cục điều trị mà không cần nuôi phôi dài ngày.
Trí tuệ nhân tạo (AI-Artificial intelligence) là một ngành thuộc lĩnh vực khoa học máy tính, 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. Trong vòng 20 năm qua, công nghệ AI với các thuật toán khác nhau đã được nghiên cứu ứng dụng trong TTTON với nhiều mục đích, bao gồm phân loại tinh trùng, lựa chọn noãn và phôi. Trong lựa chọn phôi, các thuật toán AI đã được xây dựng nhằm phân loại tự động hình thái phôi hoặc tiên lượng các kết cục như khả năng tạo phôi nang, phôi nguyên bội, phôi làm tổ, trẻ sinh sống … Đây là phương pháp 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. Đặc biệt, phương pháp học máy của công nghệ AI với mô hình CNN đã 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.
 
Trên cơ sơ đó, nhóm nghiên cứu tại bệnh viện Mỹ Đức Phú Nhuận đã thực hiện với mục tiêu xây dựng mô hình CNN dựa vào “Học máy” tiên lượng khả năng tạo phôi nang từ hình ảnh phôi ngày 3.
 
Nghiên cứu hồi cứu này đã được tiến hành để phân tích hình ảnh phôi ngày 3 từ 188 chu kỳ TTTON từ tháng 8 năm 2018 đến tháng 6 năm 2019. Hình ảnh phôi ngày 3 xuất phát từ hợp tử 2PN được trích xuất từ tủ nuôi phôi có camera quan sát liên tục CCM-iBIS (Astec, Nhật) tại thời điểm 67 giờ sau ICSI. Hình ảnh phôi ngày 3 được gắn nhãn Blast hoặc Non-Blast dựa vào kết cục tạo phôi nang tại thời điểm 116 giờ sau ICSI. 85% lượng hình phôi ngày 3 được sử dụng để huấn luyện và 15% hình còn lại dùng để kiểm định cho mô hình học sâu (CNN) tiên lượng kết cục phát triển thành phôi nang. Độ chính xác của mô hình CNN được tính toán trên dữ liệu huấn luyện và kiểm định. 13 chuyên viên phôi học có kinh nghiệm lâu năm cũng tiến hành tiên lượng tiềm năng phát triển thành phôi nang trên 100 hình phôi ngày 3.
Kết quả thu được là: Tổng cộng 1.135 hình phôi ngày 3 được thu thập để phân tích. Hình ảnh được phân bố vào dữ liệu huấn luyện (967) và kiểm định (168) với tỉ lệ phát triển thành phôi nang tương đương. Độ chính xác của mô hình CNN tiên lượng tiềm năng phát triển thành phôi nang dựa trên hình ảnh phôi ngày 3 đạt 97,72% trên dữ liệu huấn luyện và 76,19% trên dữ liệu kiểm định. Mô hình CNN có khả năng tiên lượng tiềm năng phát triển thành phôi nang từ hình ảnh phôi ngày 3 với AUC = 0,75 (KTC 95%, 0,69 – 0,81) trên dữ liệu kiểm định. Khả năng của chuyên viên phôi học trong việc tiên lượng tiềm năng phát triển thành phôi nang từ hình ảnh phôi ngày 3 đạt độ chính xác là 70,07% (KTC 95%, 68,12% – 72,03%), độ nhạy là 87,04% (KTC 95%, 82,56% – 91,52%), và độ đặc hiệu là 30,93% (KTC 95%, 29,35% –32,51%). 
 
Hạn chế của nghiên cứu là tập dữ liệu kiểm chứng chưa nhiều. Cần có các nghiên cứu với dữ liệu lớn hơn để cải thiện độ chính xác của mô hình CNN này, cũng như xây dựng các mô hình AI tiên lượng kết cục điều trị sâu hơn như phôi làm tổ hay trẻ sinh sống nhằm tạo công cụ hữu hiệu hỗ trợ chuyên viên phôi học lựa chọn phôi.
 
Tóm lại, nghiên cứu đã xây dựng được mô hình Học máy dựa vào CNN để tiên lượng tiềm năng phát triển thành phôi nang từ hình ảnh phôi ngày 3 với độ chính xác cao sau kiểm chứng là 76,19%. Nghiên cứu này là tiền đề để tiếp tục xây dựng các mô hình học máy dựa vào hình ảnh phôi để tiên lượng tiềm năng phát triển khác của phôi.
 
Nguồn: Blastocyst Prediction of Day-3 Cleavage-Stage Embryos Using Machine Learning, Fertility & Reproduction, 2021, doi: 10.1142/S266131822150016X

Từ khóa: học máy, mạng thần kinh tích chập, tiên lượng tiềm năng tạo thành phôi nang