Vô sinh nam đang gia tăng trên toàn thế giới với tốc độ đáng báo động, số lượng tinh trùng đã giảm 50% trong 50 năm qua. Mặc dù công nghệ hỗ trợ sinh sản đã chứng minh là có hiệu quả đối với các cặp vợ chồng vô sinh, tuy nhiên một số dạng vô sinh nam vẫn khó điều trị. Vô tinh được định nghĩa là tình trạng không có tinh trùng trong tinh dịch sau hai lần thực hiện xét nghiệm tinh dịch đồ, là dạng vô sinh nam nghiêm trọng nhất, ảnh hưởng đến 10–20% nam giới vô sinh.

 

Vô tinh được chia thành 2 loại: vô tinh do tắc (Obstructive azoospermia – OA) và vô tinh không do tắc (Non-obstructive azoospermia – NOA). OA xảy ra do tắc nghẽn đường sinh sản, chiếm 40% các trường hợp vô tinh. Trong khi đó, NOA là kết quả của tình trạng suy tinh hoàn nguyên phát, thứ phát hoặc không rõ nguyên nhân, ảnh hưởng đến quá trình sản xuất tinh trùng và chiếm 60% các trường hợp vô tinh. Đối với bệnh nhân (BN) OA, các phương pháp phẫu thuật như: nối ống dẫn tinh, hút tinh trùng từ tinh hoàn (Testis via testicular sperm aspiration - TESA), trích xuất tinh trùng từ tinh hoàn (Testicular sperm extraction  - TESE) hoặc trích xuất tinh trùng vi phẫu từ tinh hoàn (Micro-Testicular Sperm Extraction – mTESE) có thể được xem xét để thu nhận tinh trùng. Trong trường hợp BN NOA, các phương pháp TESA, TESE hoặc mTESE cũng được ưu tiên lựa chọn. Tinh trùng thu nhận được bằng phẫu thuật được sử dụng để tiêm tinh trùng vào bào tương noãn (Intracytoplasmic Sperm Injection - ICSI).

Tiêu chuẩn vàng để điều trị cho BN NOA là mTESE, với tỷ lệ thu hồi tinh trùng cao lên tới 64%. Tuy nhiên, quy trình kiểm tra thủ công hiện tại để tìm kiếm tinh trùng trong mô được thu nhận từ mTESE lại tốn thời gian và không hiệu quả, thường mất 1-6 giờ trong phòng thí nghiệm (PTN), một số trường hợp thậm chí lên đến 14 giờ. Thời gian kéo dài này do yêu cầu phải tìm kiếm thủ công qua các huyền phù mô tinh hoàn được chuẩn bị bằng kính hiển vi trước khi sử dụng tinh trùng để ICSI.

 

Kết quả của quá trình tìm kiếm tinh trùng phụ thuộc lớn vào mức độ phức tạp và mức độ nhiễm của dịch huyền phù do bác sĩ phẫu thuật cung cấp cho chuyên viên phôi học (CVPH). Tinh trùng sống dễ bị bỏ sót do các yếu tố như mật độ tế bào cao, gây ra sai sót trong quá trình thao tác thủ công, đặc biệt khi CVPH phải làm việc trong thời gian dài với cường độ cao. Ngoài ra, việc tìm kiếm tinh trùng trong các mẫu tinh dịch trong thời gian dài có thể làm giảm khả năng sống của tinh trùng. Điều này không chỉ ảnh hưởng đến hiệu quả của quá trình tìm kiếm tinh trùng mà còn gây ra gánh nặng về chi phí và tâm lý cho BN. Do đó, việc phát triển một phương pháp tự động, hiệu quả và có độ nhạy cao để định vị và phân lập tinh trùng từ các mẫu mô cắt từ tinh hoàn sẽ mang lại lợi ích to lớn cho việc điều trị vô sinh nam, đặc biệt là đối với các trường hợp NOA.

 

VẬT LIỆU VÀ PHƯƠNG PHÁP

Chuẩn bị mẫu

Mẫu tinh dịch được thu thập từ người hiến tặng sau khi kiêng quan hệ tình dục trong khoảng 2-5 ngày, theo khuyến nghị của Tổ chức Y tế Thế giới (World Health Organization - WHO) năm 2021. Sau khi thu thập, mẫu được để ở nhiệt độ phòng trong 20 phút để hóa lỏng, sau đó được ly tâm để tách phần tinh trùng ra khỏi phần huyết tương.

Máu được lấy từ đầu ngón tay của người hiến tặng trong vòng 3 ngày trước khi tiến hành thí nghiệm. Mẫu máu sau đó được pha loãng trong một loại môi trường nuôi cấy tế bào.

 

Xử lý mẫu sinh thiết tinh hoàn

Quá trình thu thập và xử lý tinh trùng phẫu thuật được thực hiện với mục tiêu tìm kiếm và bảo quản tinh trùng từ BN vô sinh nam. Sau khi lấy mẫu mô tinh hoàn dưới gây mê toàn thân, mẫu được đặt ngay vào môi trường. Tại PTN, CVPH sẽ tiến hành tìm kiếm tinh trùng trong các ống sinh tinh. Các mẫu được làm sạch, tách mô và nghiền nhẹ để tăng khả năng tìm kiếm. Để đảm bảo chất lượng mẫu, các mẫu không tìm thấy tinh trùng sẽ được tăng cường bằng tinh trùng từ người hiến tặng và nhuộm màu để đánh giá số lượng. 

 

Xử lý hình ảnh

Để xây dựng một mô hình trí tuệ nhân tạo (Artificial Intelligence – AI) có khả năng nhận dạng chính xác tinh trùng trong các mẫu sinh thiết tinh hoàn, các tác giả đã tạo ra một bộ dữ liệu hình ảnh đa dạng và phong phú. Bộ dữ liệu bao gồm hình ảnh từ các mẫu chuẩn bị trong PTN và hình ảnh từ các mẫu lâm sàng thực tế. Để tăng cường độ đa dạng của dữ liệu, các kỹ thuật như xoay, lật, và điều chỉnh độ sáng cho các hình ảnh được áp dụng. Đồng thời, mỗi hình ảnh đều được chú thích tỉ mỉ để xác định vị trí chính xác của các tinh trùng.

 

Tất cả hình ảnh đều được chuẩn hóa về kích thước, định dạng (JPG) và độ phân giải. Các kỹ thuật này giúp mô phỏng các điều kiện nhiễu và biến đổi thường gặp trong quá trình thu thập hình ảnh thực tế, từ đó giúp mô hình học được các đặc trưng ổn định và ít phụ thuộc vào các điều kiện cụ thể.

 

Đào tạo mô hình AI

Để phát triển một hệ thống tự động nhận diện tinh trùng hiệu quả, các tác giả đã sử dụng mô hình YOLOv8, một kiến trúc mạng nơ-ron tích chập nổi tiếng về khả năng phát hiện đối tượng nhanh chóng. Quá trình huấn luyện mô hình được thực hiện trên một cấu hình phần cứng phù hợp, với việc tinh chỉnh kỹ lưỡng các siêu tham số. Cuối cùng, các tác giả đánh giá hiệu suất của mô hình trên một tập dữ liệu độc lập để đảm bảo tính khách quan. Kết quả cho thấy mô hình đạt được độ chính xác cao, mở ra triển vọng ứng dụng rộng rãi trong lĩnh vực hỗ trợ sinh sản.

 

So sánh hiệu suất của mô hình AI với CVPH

Nghiên cứu đã so sánh khả năng phát hiện tinh trùng giữa mô hình AI và CVPH trên các mẫu mô tinh hoàn. Hai nhóm thử nghiệm được thiết kế, một nhóm sử dụng hình ảnh tĩnh để đánh giá độ chính xác, độ nhạy và thời gian phát hiện, nhóm còn lại mô phỏng môi trường làm việc thực tế. Kết quả cho thấy mô hình AI đạt được độ chính xác và độ nhạy cao tương đương với CVPH, đồng thời tiết kiệm đáng kể thời gian. Thêm vào đó, việc sử dụng AI hỗ trợ giúp CVPH tăng hiệu quả làm việc và giảm thiểu sai sót.

Phân tích thống kê

Tất cả các phân tích thống kê được thực hiện bằng GraphPad Prism 9.0. Giá trị P < 0,05 được coi là có ý nghĩa thống kê.

 

KẾT QUẢ

Trong nhóm đầu tiên của nghiên cứu, kết quả nghiên cứu cho thấy mô hình AI vượt trội so với CVPH trong việc nhận dạng tinh trùng trên hình ảnh tĩnh. Cụ thể, AI hoàn thành việc phân tích mỗi trường nhìn (Field of View - FOV) nhanh hơn gần 100 lần so với con người. Đồng thời, AI còn đạt được độ nhạy cao hơn, tức là khả năng tìm thấy nhiều tinh trùng hơn. Mặc dù độ chính xác của AI hơi thấp hơn so với CVPH, nhưng sự khác biệt này không đáng kể và có thể được cải thiện trong các nghiên cứu tiếp theo. Những kết quả này cho thấy AI có tiềm năng trở thành một công cụ hỗ trợ đắc lực cho các CVPH trong việc đánh giá mẫu tinh trùng, góp phần nâng cao hiệu quả và độ chính xác của quá trình chẩn đoán và điều trị vô sinh.
 

Trong nhóm thứ hai, khi sử dụng AI như một công cụ hỗ trợ, các CVPH đã hoàn thành việc tìm kiếm tinh trùng nhanh hơn đáng kể so với khi làm việc độc lập. Cụ thể, thời gian tìm kiếm trung bình giảm gần 40%. Ngoài ra, kết quả cho thấy xu hướng tăng nhẹ số lượng tinh trùng được tìm thấy khi sử dụng AI. Điều này cho thấy, việc ứng dụng AI có thể giúp tăng hiệu quả và độ chính xác trong quá trình tìm kiếm tinh trùng, từ đó hỗ trợ tốt hơn cho các quy trình IVF.

THẢO LUẬN

Nghiên cứu đã chứng minh khả năng vượt trội của trí tuệ nhân tạo trong việc tìm kiếm tinh trùng trên các mẫu sinh thiết tinh hoàn so với phương pháp truyền thống. Bằng cách sử dụng các thuật toán học sâu, AI có thể nhanh chóng và chính xác xác định vị trí của tinh trùng trong hình ảnh, giúp tiết kiệm đáng kể thời gian và công sức cho các CVPH.

Kết quả nghiên cứu cho thấy:

• Tốc độ: AI có thể tìm kiếm tinh trùng nhanh hơn hàng trăm lần so với con người.

• Độ chính xác: AI đạt được độ chính xác cao trong việc nhận dạng tinh trùng, mặc dù vẫn cần cải thiện để giảm thiểu tỷ lệ dương tính giả.

• Hiệu quả: AI giúp tăng khả năng tìm thấy tinh trùng và giảm thiểu tổn thương cho mẫu tinh trùng.

Việc ứng dụng AI vào quá trình tìm kiếm tinh trùng không chỉ giúp cải thiện hiệu quả làm việc của các CVPH mà còn tăng cơ hội thành công cho các cặp vợ chồng hiếm muộn. Tuy nhiên, để đưa AI vào ứng dụng lâm sàng, cần tiếp tục nghiên cứu và hoàn thiện mô hình, đặc biệt là tập trung vào việc tăng cường độ đa dạng của dữ liệu đào tạo và tối ưu hóa các thông số của thuật toán.

 

Tài liệu tham khảo: Goss (2024). Evaluation of an artificial intelligence-facilitated sperm detection tool in azoospermic samples for use in ICSI. Reproductive BioMedicine Online, 49(1), 103910.