Ths. Trần Hà Lan Thanh_IVFMD Phú Nhuận

1. Giới thiệu

Việc tăng hiệu quả và an toàn trong điều trị đang được đẩy mạnh tại các trung tâm điều trị thụ tinh trong ống nghiệm (TTTON). Thành công của một chu kỳ điều trị thụ tinh trong ống nghiệm (TTTON) được đánh giá thông qua kết quả có một đứa trẻ khoẻ mạnh cho cặp vợ chồng hiếm muộn. Trong đó, việc lựa chọn đúng phôi chuyển nhằm tăng tỉ lệ trẻ sinh sống, đồng thời giảm số phôi chuyển để giảm tỉ lệ đa thai là một trong những hướng tiếp cận. Hiện nay, phần lớn việc chọn phôi chủ yếu dựa vào hình thái học. Tuy nhiên, phương pháp này có giá trị dự đoán thấp. Có nhiều phương pháp mới giúp cải thiện việc lựa chọn phôi có tiềm năng nhằm tăng tỉ lệ thành công trong điều trị IVF. Trong đó, hệ thống nuôi cấy phôi kết hợp với camera quan sát liên tục (TLM: time-lapse monitoring) cho phép đánh giá chi tiết hình thái phôi, cung cấp các thông số động học và công cụ lựa chọn phôi. Nuôi phôi kết hợp với TLM được nghiên cứu về tính an toàn và hiệu quả qua những nghiên cứu đoàn hệ, tổng quan của nhiều tác giả trên thế giới. Hơn nữa, đã có các báo cáo cho thấy một số thông số động học hình thái phôi có thể tiên lượng được kết cục trẻ sinh sống sau TTTON và các thuật toán mô hình TLM đã được xây dựng để tiên lượng được kết cục này. Bài này sẽ tổng hợp các “dấu ấn sinh học” này và thuật toán mô hình tiên lượng trẻ sinh sống.
 

2. Hệ thống nuôi cấy phôi kết hợp với camera quan sát liên tục

Một trong những lợi ích vượt trội của TLM là sử dụng các thông số động học để xây dựng các mô hình tiên lượng hay những thuật toán dự đoán tiềm năng của phôi như: hình thành phôi nang, khả năng làm tổ, phôi nguyên bội hoặc lệch bội… [3]–[5]. Chính vì thế, TLM đã trở thành công cụ lựa chọn phôi tiềm năng tốt theo cách không xâm lấn. Nuôi phôi kết hợp với TLM được chứng minh là an toàn và hiệu quả trong các bài tổng quan về giá trị của TLM về cải thiện kết cục thai sau TTTON. TLM giúp lựa chọn phôi tiềm năng làm tổ tốt hơn, dẫn đến tỉ lệ trẻ sinh cao hơn so với nuôi cấy tủ thông thường [5], [6]. Hơn nữa, các nghiên cứu này khác biệt về tuổi phôi và hệ thống nuôi cấy, cũng như loại phôi theo hình thái. Hiện tại, vẫn còn ít nghiên cứu về TLM đánh giá dựa trên kết cục trẻ sinh sống sau TTTON. Đã có nghiên cứu hồi cứu với cỡ mẫu lớn cho thấy rằng tỉ lệ trẻ sinh sống được cải thiện hơn 19% khi phôi được nuôi cấy và lựa chọn bằng time-lapse so với nuôi cấy thường lựa chọn phôi bằng hình thái ở nhóm bệnh nhân <38 tuổi, và cải thiện 37% ở bệnh nhân xin noãn >37 tuổi [7].
 
Các thông số mà TLM cung cấp là: thông số động học phân chia, cách thức phân chia, thông số hình thái [1], [8], [9]. Thông số động học là các thời điểm sự kiện phân chia như xuất hiện thể cực thứ 2 (t2PB), xuất hiện tiền nhân (tPNa), biến mất tiền nhân (tPNf), phôi 2,3,4..8 tế bào (t2, t3, t4, t5, t6, t7, t8), bắt đầu phôi nén (tSC), phôi dâu (tM), bắt đầu có khoang phôi (tSB), phôi nang nở rộng hoàn toàn mà màng trong suốt chưa bị mỏng (tB); phôi nang nở rộng làm màng trong suốt mỏng (tEB), phôi nang tự thoát màng (tHB), phôi nang co sụp (tBcol)…; và khoảng thời gian giữa các thời điểm sự kiện đặc biệt (như chu kỳ tế bào thứ nhất_cc1= t2 - tPB2, chu kỳ tế bào thứ hai_cc2= t4 - t2, chu kỳ tế bào thứ 3_cc3 =t8 - t4; đồng nhất phân chia trong chu kỳ thứ hai_s2= t4 - t3, chu kỳ tế bào thứ 3_s3 = t8 - t5,…). Các bất thường trong cách thức phân chia như phân chia trực tiếp từ 1 tế bào thành 3 tế bào, phân chia ngược (dung hợp 2 tế bào thành 1 tế bào), phân chia hỗn loạn, hiện diện phôi bào đa nhân. Thông số hình thái như đường kính của noãn, màng trong suốt, đường kính và diện tích tiền nhân, vị trí tiền nhân (trung tâm/ vùng ngoại vi), quầng sáng halo trong tế bào chất của hợp tử, đường kính nở rộng của khoang phôi nang (Bed), diện tích khối ICM (ICMa)... [8], [9].
 

3. Các thông số động học có thể tiên lượng được kết cục trẻ sinh sống sau TTTON

Đã có nhiều nghiên cứu về các “dấu ấn sinh học” của phôi thu nhận từ TLM có thể tiên lượng được tỉ lệ trẻ sinh sống [8], [10]–[12]. Theo một nghiên cứu đoàn hệ quan sát đa trung tâm cho thấy thời điểm hình thành phôi dâu (tM) và chất lượng tế bào lá nuôi (TE) là những yếu tố tiên lượng tốt trẻ sinh sống sau khi chuyển đơn phôi nang nguyên bội [10]. Cụ thể là các phôi nang nguyên bội có tM < 80 giờ và TE chất lượng cao sẽ đạt tỉ lệ trẻ sinh sống là 55,2% (n = 37/67), trong khi tỉ lệ trẻ sinh sống chỉ 25,5% (n = 13/51) ở những phôi có tM ≥ 80 giờ và TE chất lượng thấp. Theo Barberet và cộng sự (2019), phân tích 35 thông số các sự kiện hình thái cho thấy chỉ có 2 thông số có liên quan đến tỉ lệ trẻ sinh sống. Đó là thông số tiền nhân xuất hiện tại trung tâm noãn có tương quan tỉ lệ trẻ sinh sống tăng đáng kể so với tiền nhân ở vùng ngoại vi/ không ở trung tâm (OR=2,20; 95% CI: 1,26 – 3,89; P = 0,006) còn sự hiện diện phôi bào đa nhân ở giai đoạn phôi 2 phôi bào có liên quan giảm tỉ lệ trẻ sinh sống đáng kể khi so với không hiện diện (OR=0,51; 95% CI: 0,27 – 0,95; P = 0,035) [8].
 
Nghiên cứu đoàn hệ hồi cứu từ 1.066 bệnh nhân điều trị ICSI noãn tự thân và chuyển 1-3 phôi tươi ở ngày 2 hoặc 3 phôi cho thấy rằng các phôi cho kết quả trẻ sinh sống sẽ có động học phát triển phôi giai đoạn sớm nhanh hơn so với các phôi không đạt được trẻ sinh sống sau khi chuyển, nhưng không có sự khác biệt khi tuổi mẹ tăng lên [11]. Trong tổng số bệnh nhân, tất cả các thông số động học (tPNf, t2, t3, t4, t5, t8) ở phôi đạt trẻ sinh sống (n=1.222) đều sớm hơn có ý nghĩa thống kê so với phôi không trẻ sinh sống (n=168). Ở bệnh nhân <37 tuổi, tất cả các thông số động học (tPNf, t2, t3, t4, t5, t8) ở phôi LB (n=125) đạt được sớm hơn đáng kể so với phôi NLB (n=448). Còn ở nhóm 37 tuổi, lại không có sự khác biệt (p > 0,1). Ở phôi LB, các thông số động học ngoại trừ t8 (p= 0,07) sẽ đạt sớm hơn ở bệnh nhân <37 tuổi so với phôi LB ở bệnh nhân ≥37 tuổi. Còn ở phôi NLB của bệnh nhân <37 tuổi chỉ có tPNf, t2, t5, t3 là sớm hơn đáng kể so với phôi NLB ở bệnh nhân ≥37 tuổi. Phân tích đơn biến cho thấy rằng sự xuất hiện sớm hơn của tất cả các thông số động học có liên quan đến trẻ sinh sống. Mặt khác, khi phân tích hồi quy đa biến chỉ có t2 (OR; p =0,007) và t5 (OR; p =0,006) có liên quan đến trẻ sinh sống độc lập với tuổi mẹ và BMI. Mặc dù OR của t2 (OR=0,6) sớm hơn xảy ra ở nhóm LB so với phôi NLB, nhưng t5 thì như nhau ở 2 nhóm phôi này (OR=1,1). Qua đó, các thông số động học thụ tinh và phân chia phôi sớm có giá trị trong việc chọn lọc phôi nhằm cải thiện tỷ lệ trẻ sinh sống, đặc biệt là ở nhóm bệnh nhân trẻ tuổi (< 37 tuổi). Còn theo một nghiên cứu hồi cứu khác của Sayed và cộng sự (2020), cho thấy 3 thông số động học đạt ngưỡng như t2 ≤ 25,37 giờ, cc2 > 9,33 giờ, cc2 < 12,65 giờ) có tiềm năng cao nhất trong tiên lượng khả năng làm tổ và trẻ sinh sống sau khi điều trị TTTON [12].
 
Như vậy, các “dấu ấn sinh học” mới tiên lượng trẻ sinh sống thu nhận từ TLM mang đến nhiều hứa hẹn trong việc ứng dụng xây dựng mô hình lựa chọn phôi trong tương lai.
 

4. Mô hình tiên lượng kết cục trẻ sinh sống bằng TLM
   1. Mô hình tiên lượng kết cục trẻ sinh sống bằng các thông số động học TLM

Năm 2018, Fishel và cộng sự đã xây dựng một thuật toán tiên lượng trẻ sinh sống chuyển đơn phôi nang tươi. Thuật toán được xây dựng từ dữ liệu hồi cứu 781 trẻ sinh sống sau khi chuyển đơn phôi nang tươi và 2 thông số động học có ý nghĩa để phân loại phôi là tSB và khoảng thời gian hoàn tất nở rộng khoang (dB {tB (thời điểm khoang nở đầy) - tSB}). Phôi loại A: tSB £ 93,1h; loại B: tSB > 93,1h và dB £ 12,5 h; loại C: tSB > 93,1h và dB > 12,5h; còn loại D là không thấy bắt đầu có khoang có thể do sự phân mảnh che khuất hoặc sự hiện diện của nhiều không bào hoặc động học bất thường. Tỉ lệ trẻ sinh sống khi chuyển đơn phôi nang loại A, B, C, D lần lượt là 52,5%, 39,2%, 31,4%, 13,2% [4]. Tuy nhiên, nghiên cứu chưa tiến hành nội kiểm chứng giá trị để đưa ra giá trị tiên lượng, độ nhạy và độ đặc hiệu của thuật toán tiên lượng. Cũng như cần nghiên cứu để đem lại chất lượng chứng cứ tốt hơn, như cỡ mẫu lớn, nghiên cứu tiến cứu ngẫu nhiên đối chứng.
 
Nghiên cứu tiến cứu mới nhất 2019 với cỡ mẫu 1810 chu kỳ chuyển đơn phôi nang (894 trẻ sinh sống), phân loại phôi theo TLM theo chuẩn của thuật toán Fishel và cộng sự (2019). Kết quả giá trị tiên lượng của mô hình theo TLM đường cong ROC với độ đặc hiệu, độ nhạy trên tất cả các ngưỡng có thể, và giá trị AUC là 62,86% so với 54,02% phân loại hình thái phôi nang theo đồng thuận Alpha 2011. Nhóm tác giả đã chứng minh TLM là hệ thống đánh giá phân loại phôi một cách khách quan ưu việt hơn phân loại bằng hình thái phôi nang thông thường [13].
 

1. Mô hình trí tuệ nhân tạo tiên lượng kết cục trẻ sinh sống bằng TLM

Gần đây các dữ liệu hình ảnh phôi, video quá trình phát triển của phôi và các thông số động học phát triển của phôi tiền làm tổ thu thập từ TLM đã được đưa vào thuật toán trí tuệ nhân tạo để tiên lượng phôi làm tổ, đạt trẻ sinh sống [14]. Đây là phương pháp lựa chọn phôi không xâm lấn, khách quan, tiết kiệm thời gian, độ chính xác tiên lượng cao. Qua đó, giúp cải thiện tỉ lệ thành công cho TTTON.
 
Nghiên cứu của Wang và cộng sự (2017), sử dụng các thông số động học hình thái và tuổi mẹ, 3 thông số hình thái phôi nang (độ nở rộng, chất lượng TE, ICM) xây dựng thuật toán học máy tiên lượng tỉ lệ trẻ sinh sống với giá trị AUC đạt 0,744 [15].
 
Nghiên cứu của Tran và cộng sự (2019) cũng đã xây dựng mô hình IVY tiên lượng khả năng phôi làm tổ và có tim thai bằng thuật toán học sâu dựa trên video phôi phát triển đến phôi nang. Độ chính xác của mô hình IVY ghi nhận rất cao (AUC= 0,93). Mô hình IVY được kiểm định tại 8 trung tâm TTTON tham gia nghiên cứu cho độ chính xác khả thi, với AUC khoảng 0,95 - 0,90. Hiện tại đây là nghiên cứu báo cáo có cỡ mẫu lớn nhất với kết quả đạt được rất khả quan [14].
 
KIDScore ™ Day 5 phiên bản 1 và 2 là một trong những sản phẩm đã được thương mại hoá ứng dụng công nghệ trí tuệ nhân tạo dựa trên động học hình thái phôi trong lựa chọn phôi nang. Những phôi nang được lựa chọn có tiềm năng tốt rất phù hợp để chuyển đơn phôi (SET), do đó lựa chọn phôi nang bằng KIDScore ™ Day 5 kết hợp với chính sách SET vừa đảm bảo hiệu quả thành công có trẻ sinh sống vừa hạn chế đa thai. Theo một nghiên cứu đánh giá kiểm chứng hiệu quả của 2 mô hình (KIDScore ™ Day 5 phiên bản 1 và 2) về tiên lượng tiềm năng làm tổ và trẻ sinh sống sau khi chuyển đơn phôi nang ngày 5, kết quả cho thấy có mối tương quan thuận đáng kể giữa cả hai mô hình với tỷ lệ làm tổ (lần lượt 2 mô hình là r = 0,96 và r = 0,90; p = 0,01). Cả hai mô hình đều có khả năng tiên lượng tiềm năng làm tổ của phôi nhưng giá trị AUC không cao chỉ đạt 0,60. Mức độ đồng thuận giữa việc lựa chọn bằng hình thái bởi các chuyên viên phôi học và cả hai mô hình trong lựa chọn phôi tương ứng là 78% và 61%). Tuy hiệu quả dự đoán của chúng vẫn chưa hoàn hảo nhưng việc sử dụng các mô hình này hứa hẹn là công cụ hỗ trợ giúp những chuyên viên phôi học ra quyết định lựa chọn phôi tốt nhất, cuối cùng tạo điều kiện thuận lợi cho việc thực hiện chính sách SET [16].
 
Nghiên cứu của Bori và cộng sự (2020), đã sử dụng các thông số động học phát triển của phôi để xây dựng các mô hình mạng lưới thần kinh nhân tạo (artificial neural network-ANN) tiên lượng khả năng phôi làm tổ. Các thông số động học cổ điển như tPB2, tPNa, tPNf, t2 - t8, tSC, tM, tSB, tEB, tHB; và 5 thông số mới như khoảng cách tiền nhân di chuyển (PNm), tốc độ PNm, đường kính nở rộng của khoang phôi nang (Bed), diện tích khối ICM (ICMa), độ dài của 1 chu kỳ tế bào TE (ccTroph). Kết quả xây dựng được 4 mô hình ANN với dữ liệu đầu vào khác nhau: ANN1 dùng tất cả các thông số cổ điển, ANN2 là 5 thông số mới, ANN3 là kết hợp tất cả các thông số cổ điển và mới, ANN4 là các thông số có khác biệt ý nghĩa thống kê giữa phôi làm tổ với phôi không làm tổ (như t4, t6, t7, t8, t9, tSC, tM, tSB, tB, tEB, BEd, ccTroph). Độ chính xác mô hình ANN1, ANN2, ANN3 và ANN4 tương ứng là 0,72; 0,75; 0,76; 0,74. Kết quả phân tích cho thấy khi kết hợp các thông số động học phát triển của phôi mới và cổ điển sẽ cho mô hình AI tiên lượng tốt hơn về khả năng phôi làm tổ (với độ đặc hiệu, độ chính xác, giá trị AUC của mô hình ANN3 là cao nhất, lần lượt là 0,67; 0,76; 0,77). Tuy nhiên, cần kiểm chứng so sánh hiệu quả tiên lượng của các mô hình ANN này với lựa chọn phôi bằng hình thái học. Nghiên cứu đã mở ra kỳ vọng về việc sử dụng những thông số động học mới này để xây dựng mô hình trí tuệ nhân tạo nhằm tăng tính khách quan trong việc đánh giá lựa chọn phôi [9].
 
Nghiên cứu này nhằm xây dựng phát triển một mô hình AI dựa vào mạng lưới thần kinh nhân tạo ANN bằng dữ liệu hệ proteomic của môi trường nuôi cấy và hình thái phôi (từ hình ảnh TLM) để tiên lượng trẻ sinh sống [17]. Dữ liệu xây dựng mô hình gồm 186 hình ảnh phôi và dữ liệu protein phân tích từ 81 môi trường nuôi cấy phôi của các bệnh nhân có thực hiện PGT-A. Kết quả xây dựng được 3 mô hình ANN với độ chính xác phân biệt được chu kỳ chuyển đơn phôi nang có trẻ sinh sống (LB+) và không có trẻ sinh sống (LB-) là: 100% ở ANN1 (hình thái phôi và 2 protein); 85,7% ở ANN2 (hình thái phôi và 7 protein); 83,3% ANN3 (hình thái phôi và 25 protein). Mô hình AI từ hình ảnh phôi nang time-lapse và nồng độ của Interleukin 6 (IL-6), Matrix metalloproteinase 1 (MMP-1) sẽ tiên lượng trẻ sinh sống với AUC khi kiểm chứng khá cao là 1,0. Như vậy, kết hợp hình thái học và hệ proteomic là một công cụ mạnh để lựa chọn phôi. Nồng độ protein IL-6 và MNP-1 trong môi trường nuôi cấy có giá trị xác định phôi tốt với tiềm năng cao thành công.
 

5. Kết luận

Nuôi cấy phôi trong hệ thống TLM mang lại nhiều lợi ích trong đánh giá lựa chọn phôi không xâm lấn thông qua việc sử dụng các thông số động học hình thái phôi từ TLM để xây dựng mô hình tiên lượng trẻ sinh sống sau khi điều trị TTTON. Hơn nữa, việc áp dụng các dữ liệu từ TLM để xây dựng mô hình trí tuệ nhân tạo lựa chọn phôi tiềm năng tốt (làm tổ, trẻ sinh sống) giúp tăng độ chính xác tiên lượng cao, tăng tính khách quan và tiết kiệm thời gian. Và vẫn cần thêm các nghiên cứu với thiết kế và cỡ mẫu đủ mạnh để tăng độ chính xác của các mô hình, cũng như kiểm chứng mô hình tiên lượng. Các “dấu ấn sinh học” mới tiên lượng trẻ sinh sống thu nhận từ TLM mang đến nhiều hứa hẹn trong việc ứng dụng xây dựng mô hình lựa chọn phôi trong tương lai.
 
Tài liệu tham khảo
[1]     N. Basile et al., “The use of morphokinetics as a predictor of implantation : a multicentric study to define and validate an algorithm for embryo selection,” Hum. Reprod., vol. 30, no. 2, pp. 276–283, 2015.
[2]     Y. Motato, M. J. de Santos, Los, M. J. Escriba, B. A. Ruiz, J. Remohí, and M. Meseguer, “Morphokinetic analysis and embryonic prediction for blastocyst formation through an integrated time-lapse system,” Fertil Steril, vol. 105, no. 2, 2016.
[3]     N. Del Carmen et al., “Type of chromosome abnormality affects embryo morphology dynamics,” Fertil. Steril., 2016.
[4]     S. Fishel et al., “Time-lapse imaging algorithms rank human preimplantation embryos according to the probability of live birth,” Reprod. Biomed. Online, 2018.
[5]     S. Armstrong, P. Bhide, V. Jordan, A. Pacey, and C. Farquhar, “Time-lapse systems for embryo incubation and assessment in assisted reproduction,” Cochrane Database Syst. Rev., no. 5, p. CD011320, 2019.
[6]     C. Pribenszky, A. Nilselid, M. Montag, and G. Se-, “Time-lapse culture with morphokinetic embryo selection improves pregnancy and live birth chances and reduces early pregnancy loss : a meta-analysis,” Reprod. Biomed. Online, vol. 35, no. 5, pp. 511–520, 2017.
[7]     S. Fishel et al., “Live births after embryo selection using morphokinetics versus conventional morphology: a retrospective analysis,” Reprod. Biomed. Online, vol. 35, no. 4, pp. 407–416, 2017.
[8]     J. Barberet et al., “Can novel early non-invasive biomarkers of embryo quality be identified with time-lapse imaging to predict live birth?,” Hum. Reprod., pp. 1–11, 2019.
[9]     L. Bori et al., “Novel and conventional embryo parameters as input data for artificial neural networks: an artificial intelligence model applied for prediction of the implantation potential,” Fertil. Steril., vol. 114, no. 6, pp. 1232–1241, 2020.
[10]   L. Rienzi et al., “Time of morulation and trophectoderm quality are predictors of a live birth after euploid blastocyst transfer: a multicenter study,” Fertil. Steril., vol. 112, no. 6, pp. 1080-1093., 2019.
[11]   M. D. Canto, D. Ph, A. Bartolacci, D. Turchi, D. Pignataro, and D. Ph, “Faster fertilization and cleavage kinetics reflect competence to achieve a live birth after intracytoplasmic sperm injection , but this association fades with maternal age,” Fertil. Steril., pp. 1–7, 2020.
[12]   S. Sayed, M. M. Reigstad, B. M. Petersen, A. Schwennicke, J. W. Hausken, and R. Storeng, “Time-lapse imaging derived morphokinetic variables reveal association with implantation and live birth following in vitro fertilization: A retrospective study using data from transferred human embryos,” PLoS One, vol. 15, no. 11, pp. 1–16, 2020.
[13]   S. Fishel, A. Campbell, and F. Foad, “Evolution of embryo selection for ivf from subjective morphology assessment to objective time-lapse algorithms improves chance of live birth,” Reprod. Biomed. Online, 2019.
[14]   D. Tran, S. Cooke, P. J. Illingworth, and D. K. Gardner, “Deep learning as a predictive tool for fetal heart pregnancy following time-lapse incubation and blastocyst transfer,” Hum. Reprod., vol. 34, no. 6, pp. 1011–1018, 2019.
[15]   L. Wang, H. Liu, J. Zhang, and D. L. Keefe, “A machine learning algorithm applied to time lapse data provides a robust model to predict embryo development and demonstrates important roles for multinucleation and cleavage time,” Fertil. Steril., vol. 108, no. 3, pp. e333–e334, 2017.
[16]   A. Reignier et al., “Performance of Day 5 KIDScore^TM morphokinetic prediction models of implantation and live birth after single blastocyst transfer,” J. Assist. Reprod. Genet., vol. 36, no. 11, pp. 2279–2285, 2019.
[17]   L. Bori et al., “An artificial intelligence model based on the proteomic profile of euploid embryos and time-lapse images: a preliminary study,” RBM online, 2020.
 
 
 

Từ khóa: Tiên lượng kết quả thành công sau thụ tinh trong ống nghiệm dựa trên động học hình thái của phôi