CNSH. Huỳnh Yến Vy – IVFMD Phú Nhuận – Bệnh viện Mỹ Đức Phú Nhuận

Hiện nay, vô sinh ảnh hưởng đến khoảng một trong sáu người trên toàn cầu, trong đó thụ tinh trong ống nghiệm (IVF) là phương pháp điều trị được áp dụng phổ biến nhất. Trong quy trình IVF, noãn được thụ tinh với tinh trùng trong môi trường in vitro và tiếp tục được nuôi cấy đến giai đoạn phôi nang. Tại thời điểm này, các chuyên viên phôi học sẽ tiến hành đánh giá và lựa chọn phôi nang có tiềm năng làm tổ cao nhất để chuyển vào tử cung bệnh nhân. Một trong những phương pháp đánh giá hình thái phôi nang được sử dụng rộng rãi nhất hiện nay là hệ thống phân loại Gardner và Schoolcraft (thường gọi tắt là hệ thống Gardner). Hệ thống này đánh giá phôi dựa trên ba tiêu chí chính: mức độ giãn nở của khoang phôi nang (blastocoel expansion), hình thái khối tế bào bên trong (Inner Cell Mass – ICM), và hình thái lớp tế bào lá nuôi (Trophectoderm – TE). Mức độ giãn nở được chia thành 6 cấp độ (từ 1 đến 6), phản ánh sự phát triển thể tích của khoang phôi nang và quá trình phôi thoát màng zona. Khi phôi đạt mức độ giãn nở từ cấp 3 trở lên, ICM và TE có thể được nhận diện và phân loại. Cả ICM và TE đều được xếp loại theo ba mức độ: tốt (A), trung bình (B), và kém (C), dựa trên số lượng tế bào và mức độ liên kết giữa chúng. ICM được đánh giá dựa trên mật độ và sự gắn kết của các tế bào bên trong, trong khi TE được đánh giá dựa trên độ liên tục của biểu mô và số lượng tế bào ngoại vi. Tuy nhiên, hệ thống Gardner chỉ cung cấp ba mức phân loại cho mỗi thành phần (A, B, C), dẫn đến độ phân giải hình thái hạn chế. Điều này trở nên đặc biệt thách thức trong các trường hợp có nhiều phôi đạt mức độ giãn nở ≥3 nhưng cùng được xếp loại giống nhau về ICM và TE, gây khó khăn trong việc phân biệt và lựa chọn phôi có tiềm năng làm tổ tốt nhất. Bên cạnh đó, quá trình đánh giá hình thái ICM và TE hiện nay chủ yếu dựa trên quan sát thủ công dưới kính hiển vi quang học, mang tính chủ quan và dễ bị ảnh hưởng bởi sự khác biệt giữa các chuyên viên phôi học. Trước thực trạng này, nhiều nghiên cứu gần đây đã tập trung phát triển các hệ thống trí tuệ nhân tạo (AI), đặc biệt là các mô hình học sâu (deep learning), nhằm tự động hóa và chuẩn hóa quá trình đánh giá hình thái phôi nang, từ đó nâng cao độ chính xác và khả năng tiên lượng của việc lựa chọn phôi.

Mục tiêu: Giới thiệu về BlastScoringNet - một mô hình trí tuệ nhân tạo được xây dựng dựa trên học sâu để diễn giải, xử lý hình ảnh phôi nang để cung cấp độ nở rộng và điểm liên tục định hướng hình thái ICM và TE của phôi nang dựa trên hệ thống phân loại Gardner. Điểm liên tục cho phép phân biệt ICM và TE giữa các phôi nang có cấp độ ICM và TE tương tự hoặc giống nhau. Nghiên cứu xác định mối tương quan giữa mô hình với kết quả trẻ sinh sống và cho phép dự đoán kết quả trẻ sinh sống so với việc phân loại thủ công.

Thiết kế nghiên cứu: gồm 3 bước

• Bước 1: phát triển mô hình chấm điểm phôi nang – BlastScoringNet bằng cách sử dụng bộ dữ liệu chấm điểm bao gồm 2760 phôi nang có điểm Gardner được đa số bình chọn.

• Bước 2: áp dụng mô hình vào bộ dữ liệu trẻ sinh sống từ 15.228 phôi nang có kết quả sinh con sống đã biết để tạo ra điểm phôi nang

• Bước 3: tạo mối liên hệ các điểm phôi nang với kết quả trẻ sinh sống và so sánh mối tương quan này với mối tương quan giữa chấm điểm thủ công và trẻ sinh sống.

Nghiên cứu hồi cứu thu thập dữ liệu từ các phôi nang từ những bệnh nhân đã trải qua các phương pháp điều trị IVF từ năm 2016 đến 2018. Các phôi nang có kết quả trẻ sinh sống đã được phân tầng theo loại chu kỳ chuyển phôi (chu kỳ chuyển phôi đông lạnh hoặc chu kỳ tươi), tuổi của mẹ (<35 tuổi hoặc ≥35 tuổi) và ngày phát triển phôi nang (Ngày 5 hoặc Ngày 6).

Kết quả:
Trong phân loại mức độ mở rộng, mô hình đạt được AUC trung bình là 0,997 (SD 0,004). Cụ thể, AUC là 0,992 đối với cấp độ 3, và 0,998 đối với cấp độ 4, và 0,999 đối với cấp độ 5 và 1,000 đối với cấp độ 6. Các giá trị AUC gần tương ứng với các cấp độ nở rộng do các đặc điểm hình thái riêng biệt đặc trưng cho từng cấp độ nở rộng. Trong phân loại ICM, mô hình đạt được AUC trung bình là 0,903 (SD 0,031), với AUC riêng lẻ là 0,935 đối với cấp độ A (tốt), 0,873 đối với cấp độ B (trung bình) và 0,902 đối với cấp độ C (kém). Đối với phân loại TE, mô hình đạt được giá trị trung bình AUC là 0,943 (SD 0,040), với AUC riêng lẻ là 0,967 đối với loại A (tốt), 0,896 đối với loại B (trung bình) và 0,965 đối với loại C (kém).
Trong 12.184 phôi nang có nguồn gốc từ 9734 chu kỳ chuyển phôi đông lạnh ̣̣̣̣̣FET (tuổi mẹ trung bình: 32,20 tuổi), trong khi 3044 phôi nang có nguồn gốc từ 2848 chu kỳ chuyển phôi tươi (tuổi mẹ trung bình: 30,86 tuổi). Trong số các phôi nang từ chu kỳ FET, 9456 (77,61%) là phôi nang ngày 5 và 2728 (22,39%) là phôi nang ngày 6.
Điểm ICM, điểm TE và điểm OR kết hợp của chúng có mối tương quan với tỷ lệ sinh con sống tăng lên trên tất cả các nhóm phân tầng (P < 0,05), bao gồm loại chu kỳ chuyển phôi (chu kỳ FET hoặc chu kỳ tươi), tuổi của mẹ (<35 tuổi hoặc ≥35 tuổi) và ngày phát triển phôi nang (Ngày 5 hoặc Ngày 6). Kết quả từ nghiên cứu phù hợp với thực hành lâm sàng, trong đó cả ICM và TE đều được xem xét trong quá trình đánh giá phôi nang. Ngoài ra, các điểm số phôi nang này cho thấy giá trị AUC cao hơn trong việc dự đoán kết quả trẻ sinh sống với các điểm thủ công.

Kết luận: BlastScoringNet là một mô hình học sâu có khả năng định lượng và giải thích trong việc đánh giá hình thái phôi nang, được thiết kế phù hợp với hệ thống phân loại Gardner – tiêu chuẩn được sử dụng phổ biến trong các phòng thí nghiệm IVF. Mô hình này tạo ra các điểm số riêng biệt cho khối tế bào bên trong (ICM) và lớp tế bào lá nuôi (TE), sau đó tích hợp thành một chỉ số tổng hợp (OR-combined score) phản ánh tiềm năng sinh con sống (live birth potential) của từng phôi nang. Kết quả cho thấy chỉ số tích hợp này có tương quan chặt chẽ với tỷ lệ sinh con sống, cho thấy giá trị tiên lượng lâm sàng rõ rệt. Những kết quả này cho thấy BlastScoringNet là một công cụ hỗ trợ ra quyết định hữu ích cho các chuyên viên phôi học trong việc lựa chọn phôi nang có tiềm năng làm tổ và dẫn đến sinh con sống cao nhất.

Tài liệu tham khảo: Liu, H., Chen, L., Shan, G., Sun, C., Lu, C., Liao, H., ... & Gu, Y. (2025). An interpretable artificial intelligence approach to differentiate between blastocysts with similar or same morphological grades. Human Reproduction, 40(6), 1077-1086.