ThS. Nguyễn Huỳnh Cẩm Tú – IVF Tâm Anh
 
Giới thiệu
Công nghệ hỗ trợ sinh sản (assisted reproductive technology-ART) bao gồm nhiều đánh giá giúp cung cấp thông tin quan trọng cho quyết định lâm sàng và góp phần vào thành công chung của quy trình. Trí thông minh nhân tạo (artifiKTCal intelligence-AI) đã được ứng dụng để hỗ trợ lựa chọn tinh trùng và phôi, nhưng đối với noãn trưởng thành vẫn còn ở giai đoạn đầu. Mục tiêu của nghiên cứu này là phát triển một công cụ học sâu (deep learning-DL) không xâm lấn dự đoán sự phát triển phôi nang (blastocyst-BL) từ hình ảnh của noãn trưởng thành tươi.
 
Phương pháp
Mô hình DL được phát triển với 37.133 hình ảnh noãn kết hợp với kết quả từ 8 trung tâm hỗ trợ sinh sản ở 6 quốc gia. Trong phần đầu của nghiên cứu, hình ảnh các noãn trưởng thành được sử dụng để xây dựng mô hình AI dự đoán khả năng phát triển thành BL. Trong phần thứ hai, mô hình được kiểm tra thêm bằng cách đánh giá hiệu suất của nó trên các dữ liệu mới. Hiệu suất của mô hình được đánh giá thông qua các chỉ số như diện tích dưới đường cong (area under the curve - AUC), độ chính xác cân bằng, độ đặc hiệu và độ nhạy. Các xác suất của mô hình từ dữ liệu bên ngoài được chuyển thành thang điểm từ 0-10 để thuận tiện cho việc phân tích sự tương quan với sự phát triển và chất lượng BL. Tất cả các chu kỳ ART đều sử dụng phương pháp tiêm tinh trùng vào bào tương noãn (intracytoplasmic sperm injection - ICSI).
 
Kết quả
Đánh giá mô hình
Hiệu suất của mô hình được đánh giá trên bộ dữ liệu từ 7 trung tâm (7807 noãn). Độ chính xác và độ chính xác cân bằng đều là 0,6; độ đặc hiệu là 0,55 và độ nhạy là 0,65; chỉ ra rằng mô hình hoạt động tốt hơn trong việc nhận diện chính xác khả năng hình thành BL so với nguy cơ không hình thành BL.
Phân tích theo tuổi noãn
Tuổi noãn được chia thành các nhóm sau để phân tích: <30 (n=999), 30-34 (n=2389), 35-37 (n=1783), 38-39 (n=1014), và ≥40 tuổi (n=1462). AUC của mô hình cho thấy hiệu suất cao nhất ở nhóm tuổi 38–39 (AUC 0,68; 95% KTC 0,65–0,71) và 35–37 (AUC 0,65; 95% KTC 0,62–0,67). Đối với các nhóm tuổi <30, 30–34 và ≥40 tuổi, AUC lần lượt là 0,64 (95% KTC 0,60–0,67), 0,63 (95% KTC 0,61–0,65) và 0,63 (95% KTC 0,60–0,66). Sự khác biệt đáng kể về hiệu suất mô hình quan sát được giữa các nhóm tuổi 30–34 và 38–39 tuổi (p=0,0101); 38–39 và ≥40 tuổi (p=0,0070).
Phân tích theo yếu tố nam giới
Hai phân tích tập trung vào chất lượng noãn liên quan đến sự phát triển phôi. Trong phân tích đầu tiên, chỉ những noãn được thụ tinh bằng tinh trùng mật độ >15 triệu/ml và độ di động >40% được đánh giá. Trong phân tích thứ hai, chỉ những noãn được thụ tinh bằng tinh trùng mật độ >1 triệu/ml và độ di động >10% được đánh giá. Giá trị AUC của hai phân tích lần lượt là 0,68 (95% KTC 0,66–0,70) và 0,68 (95% KTC 0,67–0,70), không có chỉ số nào khác biệt đáng kể so với hiệu suất mô hình trên bộ dữ liệu không lọc.
Phân tích theo trung tâm
Các trung tâm được phân tích dữ liệu là C1, C2 và C3. Giá trị AUC của các trung tâm này lần lượt là 0,67 (95% KTC 0,65–0,68); 0,62 (95% KTC 0,60–0,65) và 0,65 (95% KTC 0,62–0,68). Chỉ có AUC của C1 (0,67) có sự khác biệt đáng kể so với AUC tổng thể của mô hình (0,64) (p<0,001) (C2 và tổng thể, p=0,4333; C3 và tổng thể, p=0,4821).
Xác nhận ngoại bộ
Dữ liệu xác nhận ngoại bộ bao gồm 12.357 hình ảnh từ hai phòng khám (C1 và C7), trong đó 4771 noãn hình thành BL và 7586 noãn không hình thành BL (3468 thất bại thụ tinh, 4188 dừng phát triển phôi). Hiệu suất của mô hình có độ chính xác là 0,59; độ chính xác cân bằng là 0,58; độ đặc hiệu là 0,57; độ nhạy là 0,59 và AUC là 0,63 (95% KTC 0,62–0,64).
Bàn luận
Kết quả sơ bộ cho thấy sự hiện diện của noãn thụ tinh bằng tinh trùng chất lượng kém trong bộ dữ liệu không ảnh hưởng đáng kể hiệu suất của mô hình; điều này có thể do các noãn được đánh giá bởi mô hình trải qua ICSI, do đó, tác động của yếu tố nam giới được giảm bớt nhờ vào các chuyên viên phôi học chọn tinh trùng để tiêm vào, thêm vào đó các rào cản thụ tinh như sự liên kết của tinh trùng với zona pellucida và sự hợp nhất màng tế bào noãn được bỏ qua.
Quan trọng là, việc loại bỏ yếu tố nam giới không làm thay đổi đáng kể hiệu suất của mô hình, củng cố thêm giả thuyết rằng yếu tố nam giới có ảnh hưởng tối thiểu đến sự phát triển của phôi nang trong các trường hợp ICSI. Các noãn từ bệnh nhân dưới 40 tuổi có thể sửa chữa hiệu quả sự phân mảnh DNA tinh trùng. Khả năng kém hơn trong việc phục hồi tinh trùng chất lượng kém ở các noãn già hơn có thể góp phần vào hiệu suất thấp hơn ở nhóm tuổi >40.
Hiệu suất của mô hình được phát hiện là vượt trội hoặc tương đương giữa các trung tâm độc lập và bộ dữ liệu chung, chứng tỏ mô hình này thể hiện hiệu suất ổn định tốt trên các vị trí địa lý khác nhau, cho thấy khả năng phổ quát và độ bền vững chấp nhận được.
Một hạn chế của nghiên cứu này là chọn sự phát triển của phôi nang làm kết quả quan tâm, trong khi mục tiêu cuối cùng trong lĩnh vực này là sinh con sống. Việc sử dụng sự phát triển của phôi nang giúp tránh tác động của nhiều yếu tố gây nhiễu quyết định thành công sinh con sống, và có thể được sử dụng làm điểm khởi đầu cho AI ứng dụng vào đánh giá noãn; tuy nhiên, cần có nghiên cứu bổ sung để mở rộng thành công đạt được. Hơn nữa, sự phát triển đến giai đoạn phôi nang - thay vì sự phát triển thành một phôi nang chất lượng tốt hoặc có thể sử dụng - được chọn để tính đến các bối cảnh lâm sàng khác nhau; một phôi nang chất lượng kém vẫn có thể được chuyển nếu không có phôi nang nào khác. Hơn nữa, vẫn tồn tại sự khác biệt trong các ngưỡng sử dụng giữa các phòng khám và sở thích của bệnh nhân. Việc xác minh ngoại bộ đã chỉ ra rằng các dự đoán của mô hình DL cũng tương quan với chất lượng phôi nang.
Một hạn chế bổ sung là sự thiếu minh bạch của hệ thống trí tuệ nhân tạo. Các mô hình DL được coi là những "hộp đen", do đó cần nghiên cứu thêm để hiểu rõ hơn cách thức các tiêu chí hình thái có thể đóng góp vào tiềm năng phát triển của noãn, đồng thời cung cấp lợi ích của khả năng giải thích được các mô hình máy học.
Hiện tại, không có công cụ đánh giá hoặc xếp hạng chuẩn nào cho chuyên viên phôi học và bác sĩ để tư vấn bệnh nhân về khả năng có được phôi nang từ noãn trước khi thụ tinh. Một mô hình AI có thể liên kết nhất quán và chính xác hình ảnh của noãn với sự phát triển tiếp theo có thể hỗ trợ vấn đề này và có thể có nhiều ứng dụng lâm sàng. Trong các chu kỳ hiến tặng noãn, các noãn có năng lực phát triển đồng đều có thể được phân nhóm, dẫn đến việc chuẩn hóa chăm sóc và đồng bộ hóa kết quả giữa các người nhận. Bệnh nhân trữ noãn có thể nhận thông tin chính xác hơn về kết quả sinh sản tương lai cũng như lập kế hoạch và hướng dẫn về việc lưu trữ thêm. Những bệnh nhân quá kích buồng trứng có thể phân nhóm noãn được thụ tinh ngay lập tức và nhóm noãn được đông lạnh để sử dụng sau. Cuối cùng, đối với từng tình trạng bệnh nhân nhất định, như hội chứng buồng trứng đa nang, số lượng noãn thường cao nhưng tỷ lệ mang thai thấp, trọng tâm điều trị có thể chuyển từ số lượng sang chất lượng. Những ứng dụng tiềm năng này là hướng nghiên cứu trong tương lai của các tác giả để định nghĩa thêm chất lượng noãn và ảnh hưởng của nó đối với điều trị thành công cho các nhóm bệnh nhân khác nhau.
 
Kết luận
Nghiên cứu này cho thấy một thuật toán DL có thể phân biệt các noãn sẽ tạo thành BL và những noãn không tạo BL, cũng như đề xuất những nghiên cứu bổ sung về tính ứng dụng của công cụ này (như ảnh hưởng của việc đông lạnh và rã đông đối với noãn). Những phát hiện này đại diện cho bước ban đầu để thiết lập chuẩn hóa trong việc đánh giá noãn trong lĩnh vực sinh sản giúp nâng cao hiệu quả và hiệu suất của ART.
 
Tài liệu tham khảo: Fjeldstad J, Qi W, Mercuri N, Siddique N, Meriano J, Krivoi A, Nayot D. An artifiKTCal intelligence tool predicts phôi nang development from static images of fresh mature noãns. Reprod Biomed Online. 2024 Jun;48(6):103842. doi: 10.1016/j.rbmo.2024.103842. Epub 2024 Jan 18. PMID: 38552566.

Từ khóa: chất lượng noãn, trí thông minh nhân tạo, sự phát triển phôi nang, công nghệ hỗ trợ sinh sản, IVF.