Hiện nay, trí tuệ nhân tạo (Artificial intelligence - AI), đặc biệt là học sâu được cho là một công nghệ mang tính cách mạng với tiềm năng trong chăm sóc sức khỏe, đặc biệt liên quan đến việc giải thích và báo cáo hình ảnh y tế đang được công nhận rộng rãi. Mặc dù có tiềm năng như vậy, nhưng tiện ích lâm sàng của AI trong chăm sóc sức khỏe vẫn chưa được khám phá đầy đủ trong các nghiên cứu ngẫu nhiên có nhóm chứng (randomized controlled trials - RCT).

 

Trong quá trình thụ tinh trong ống nghiệm (in vitro fertilization – IVF), một thách thức lớn chính là lựa chọn phôi mang lại cho bệnh nhân cơ hội có trẻ sinh sống tốt nhất trong một nhóm phôi có thể sử dụng. Hiện tại, trong toàn bộ thời gian nuôi cấy, chuyên viên phôi học sẽ lấy phôi ra khỏi tủ cấy, thường là nhiều hơn một lần và thực hiện đánh giá hình thái dưới kính hiển vi. Cách tiếp cận này tốn khá nhiều thời gian, đánh giá một cách chủ quan với kinh nghiệm của mỗi chuyên viên phôi học. Và cách tiếp cận này hầu như không thay đổi kể từ khi ca trẻ sinh ra đầu tiên từ IVF cách đây 45 năm.

 

Sự ra đời của tủ cấy timelapse có khả năng chụp ảnh phôi thường xuyên trong năm đến sáu ngày phát triển, đã hạn chế được nhu cầu lấy phôi ra khỏi tủ cấy để đánh giá, giảm thiểu những biến động về nhiệt độ, nồng độ khí, độ pH và độ ẩm trong tủ nuôi cấy, những biến động này có thể phát sinh do việc lấy phôi ra khỏi tủ nuôi cấy để đánh giá trong quá trình nuôi cấy tiêu chuẩn. Kết hợp tủ cấy timelapse với thuật toán lựa chọn tự động đã được xác nhận có tiềm năng cải thiện đáng kể hiệu quả quy trình làm việc so với phương pháp nuôi cấy tiêu chuẩn và khắc phục tính chủ quan của con người. Cho đến nay, một số nghiên cứu đã sử dụng các thuật toán học sâu để phân loại chất lượng phôi hoặc phân loại giai đoạn phát triển dựa trên hình ảnh tĩnh từ các tủ cấy timelapse. Gần đây, thuật toán học sâu iDAScore (intelligent Data Analysis Score) đã được phát triển, sử dụng các mẫu không gian (hình thái) và thời gian (động học hình thái) từ các hình ảnh theo dõi liên tục trong sáu ngày đầu tiên của quá trình phát triển phôi đến giai đoạn phôi nang để dự đoán về khả năng phôi được chuyển làm tổ và có thai lâm sàng với khả năng phân biệt và khả năng tái tạo cao.

Mặc dù có nhiều ứng dụng AI được đề xuất trong IVF, việc tích hợp chúng vào thực hành lâm sàng thường quy phụ thuộc vào bằng chứng mạnh mẽ chứng minh hiệu quả của chúng so với các phương pháp truyền thống. Một số nghiên cứu về AI đã gợi ý những cải thiện đáng kể về tính nhất quán của điểm phôi nhưng những đánh giá này là hồi cứu. Những nghiên cứu này đã xem xét một cách có triển vọng về hiệu quả của các thuật toán học máy truyền thống dựa trên dữ liệu trước đó và đầu vào của con người để lựa chọn phôi. Ngược lại, học sâu là một dạng học máy tiên tiến hơn cho phép máy tính học hỏi từ kinh nghiệm và hiểu thế giới theo thứ bậc các khái niệm. Vì máy tính thu thập kiến thức từ kinh nghiệm nên không giống như máy học thông thường, không cần người vận hành chính thức chỉ định bất kỳ kiến thức nào mà máy tính cần. Hiện tại, không có RCT nào về học sâu trong lựa chọn phôi được báo cáo trước đây. Mặc dù học sâu có tiềm năng hữu ích, nhưng cần phải chứng minh tính không thua kém so với đánh giá phôi tiêu chuẩn của chuyên viên phôi học. Do đó, Peter J Illingworth và cộng sự đã tiến hành một thử nghiệm không kém hơn, ngẫu nhiên có triển vọng để xác định xem việc lựa chọn một phôi nang duy nhất để chuyển phôi bằng phương pháp học sâu có dẫn đến tỉ lệ thai lâm sàng tương đương với biên độ kém hơn 5% so với tỉ lệ đạt được bởi các chuyên viên phôi học được đào tạo sử dụng tiêu chí hình thái học tiêu chuẩn hay không.

Nghiên cứu được thực hiện từ ngày 16 tháng 1 năm 2020 đến ngày 30 tháng 9 năm 2022, được tiến hành trên 14 đơn vị hỗ trợ sinh sản tại Úc và Châu Âu với 1066 bệnh nhân bao gồm 533 bệnh nhân nhóm sử dụng mô hình AI iDAScore và 533 bệnh nhân nhóm hình thái tiêu chuẩn do chuyên viên phôi học đánh giá. Kết quả chính của nghiên cứu này là thai lâm sàng sau lần chuyển phôi đầu tiên, bao gồm phôi tươi hay phôi trữ. Nghiên cứu định nghĩa thai lâm sàng là thai trong tử cung có nhịp tim thai được quan sát thấy sau 7-9 tuần thai. Kết quả phụ bao gồm tỷ lệ hCG dương tính, thai trong tử cung không sống, tỷ lệ thai diễn tiến (tuần thứ 12 của thai kỳ) và tỷ lệ sinh sống. Thai trong tử cung không sống được định nghĩa là thai kỳ trong đó thai trong tử cung được nhìn thấy nhưng không tìm thấy nhịp tim thai. Sinh sống được định nghĩa là sinh ít nhất một đứa trẻ sống.

 

Kết quả chính của nghiên cứu cho thấy tỉ lệ thai lâm sàng là 46,5% (248 trong số 533 bệnh nhân) ở nhóm iDAScore và 48,2% (257 trong số 533 bệnh nhân) ở nhóm hình thái (risk difference −1,7%; 95% KTC −7,7, 4,3; P = 0,62), không có sự khác biệt thống kê. Kết quả này cho thấy tính không kém hơn của việc lựa chọn phôi bằng thuật toán học sâu không được chứng minh. Bên cạnh đó, kết quả tương tự như kết quả chính đã được ghi nhận đối với các kết quả phụ về tỷ lệ hCG dương tính, tỷ lệ thai trong tử cung không sống và tỷ lệ thai diễn tiến. Tỷ lệ sinh sống tương đương giữa hai nhóm, trong đó tỷ lệ sinh sống đối với nhóm iDAScore là 39,8% (212 trong số 533 bệnh nhân) và 43,5% (232 trong số 533 bệnh nhân) trong nhóm tiêu chuẩn hình thái (risk difference −3,9%; 95% CI, −9,9, 2,2; P = 0,24). Ngoài ra, nghiên cứu ghi nhận được thời gian đánh giá giảm gần gấp 10 lần khi sử dụng mô hình AI so với chuyên viên phôi học đánh giá (p < 0,001).

 

Nghiên cứu hiện tại đã đánh giá hiệu quả của việc sử dụng thuật toán học sâu để lựa chọn phôi để chuyển cho các cặp vợ chồng thực hiện IVF. Nghiên cứu không thể chứng minh được hiệu quả vượt trội của iDAScore so với chuyên viên phôi học về tỷ lệ thai lâm sàng, tuy nhiên nghiên cứu cho thấy sử dụng mô hình AI giúp giảm đáng kể thời gian đánh giá phôi, mang lại tiềm năng cao về hiệu quả sử dụng trong tương lai.

 

Tài liệu tham khảo: Peter J. Illingworth, Christos Venetis, David K. Gardner và cộng sự. Deep learning versus manual morphology-based embryo selection in IVF: a randomized, double-blind noninferiority trial. Nature Medicine. 2024.