Số liệu của EIM (Tổ chức giám sát hỗ trợ sinh sản Châu Âu - The European In Vitro Fertilization – Monitoring Consortium) tại hội nghị lần thứ 18 báo cáo đã có hơn 1,5 triệu em bé ra đời từ thụ tinh trong ống nghiệm (TTTON) (de Geyter C và cs., 2018). Phương pháp điều trị chủ yếu được áp dụng là tiêm tinh trùng vào bào tương noãn (ICSI) sau đó nuôi cấy phôi giai đoạn tiền làm tổ. Trong đó, lựa chọn phôi có tiềm năng nhất là yếu tố quan trọng dẫn đến sự thành công của một chu kì điều trị. Lựa chọn phôi dựa trên hình thái đã được áp dụng từ những ngày đầu thực hiện TTTON. Các đặc điểm được đánh giá bao gồm số lượng tế bào, độ phân mảnh, đa nhân và một số thông số khác. Tuy nhiên, phương pháp này có hạn chế là kết quả bị ảnh hưởng bởi tính chủ quan của người đánh giá, không quan sát được toàn bộ sự phát triển của phôi. Do đó, hệ thống nuôi cấy phôi liên tục – timelapse ra đời để giải quyết các vấn đề trên. Hệ thống này giúp quan sát sự phát triển của phôi mà không làm ảnh hưởng đến điều kiện nuôi cấy, phát hiện các bất thường trong quá trình phân chia của phôi để làm yếu tố lựa chọn phôi. Ngoài ra, có thể sử dụng những dữ liệu từ time-lapse để xây dựng mô hình dự đoán tiềm năng phát triển của phôi. Theo thời gian, mục tiêu cuối cùng của các mô hình là lựa chọn được phôi có khả năng phát triển thành em bé khoẻ mạnh. Trong nhiều năm, mặc dù tỷ lệ sinh sống đã được cải thiện nhưng không đáng kể đòi hỏi các nhà nghiên cứu tìm ra những phương pháp lựa chọn phôi tốt hơn. Dựa vào nguồn dữ liệu rất lớn từ time-lapse, một số tác giả đã tiến hành xây dựng các thuật toán nhằm lựa chọn phôi dựa vào trí tuệ nhân tạo (artificial intelligence – AI).

            AI có thể được định nghĩa là sự phát triển của các thuật toán với khả năng “học” và “xử lý các vấn đề” (Simopoulou M và cs., 2018). “Machine learning” là một phương pháp luận của AI, áp dụng toán học để lập trình cho máy tính khả năng học hỏi từ các dữ liệu đã được gắn nhãn và tự đưa ra các dự đoán. Kỹ thuật được áp dụng rộng rãi nhất trong lĩnh vực này là “mạng lưới thần kinh nhân tạo” - artificial neural networks (ANNs). Đã có rất nhiều nghiên cứu về ứng dụng ANNs trong hỗ trợ sinh sản (Curchoe CL và cs., 2019) và cho kết quả khả quan (Tran D và cs., 2019, Khosravi P và cs., 2019). Nghiên cứu này được thực hiện nhằm mục đích dự đoán khả năng làm tổ của phôi dựa vào nguồn dữ liệu thu được từ hệ thống time-lapse. Nhóm tác giả sử dụng các thông số hình thái mới, chưa được đánh giá để tìm ra mối liên hệ giữa chúng với tỷ lệ làm tổ. Cuối cùng, xây dựng một mô hình sử dụng ANNs để dự đoán khả năng làm tổ của phôi.
 
            Đây là nghiên cứu hồi cứu thực hiện tại một trung tâm TTTON ở Tây Ban Nha. Đối tượng tham gia vào nghiên cứu là những bệnh nhân xin noãn, thụ tinh bằng kỹ thuật ICSI và không thực hiện xét nghiệm di truyền tiền làm tổ. Trong số 8832 chu kì điều trị có 845 chu kì nuôi cấy phôi trong hệ thống time-lapse. 673 chu kì chuyển phôi tươi được đánh giá trong nghiên cứu. Nghiên cứu được chia thành 2 giai đoạn:

• Giai đoạn 1 - Mô tả và phân tích các đặc điểm của phôi làm tổ và phôi không làm tổ bao gồm: khoảng cách và tốc độ di chuyển của tiền nhân, đường kính của phôi nang, diện tích của khối nội phôi bào (inner cell mass – ICM), chiều dài của các tế bào lá nuôi phôi (trophectoderm – TE).
• Giai đoạn 2 - Phát triển thuật toán ANNs để dự đoán tiềm năng làm tổ của phôi.

Kết quả được thu nhận từ 4 mô hình với dữ liệu đầu vào khác nhau. Khả năng dự đoán tiềm năng làm tổ của phôi được đo lường bằng diện tích dưới đường cong (AUC - Area under the curve).
           
Nghiên cứu thu được một số kết quả sau:

• So sánh giữa hai nhóm phôi làm tổ và phôi không làm tổ chỉ có thông số đường kính của phôi nang và chiều dài của các tế bào lá nuôi phôi có sự khác biệt về mặt thống kê.
• Khả năng dự đoán tỷ lệ làm tổ của các mô hình ANNs được thể hiện thông qua vùng diện tích dưới đường cong. Mô hình dựa vào thông số động học bình thường (ANN1) có AUC là 0,64; mô hình dựa vào các thông số động học mới (ANN2) có AUC là 0,73; mô hình kết hợp thông số động học bình thường và thông số động học mới (ANN3) có AUC là 0,77 và mô hình dựa vào các biến số khác (ANN4) có AUC là 0,68.

Kết quả của nghiên cứu này cho thấy, có thể xác định mối liên hệ giữa tỷ lệ làm tổ và các thông số động học mới của phôi. Nguồn thông tin từ hệ thống time-lapse kể cả các thông số mới cũng có thể là những dữ liệu tốt với AI nhằm tạo ra một mô hình dự đoán hiệu quả nhất. Trong tương lai, các mô hình được xây dựng từ hệ thống AI có thể là công cụ hữu ích giúp đánh giá chính xác chất lượng phôi.
 
Nguồn: Bori, L., Paya, E., Alegre, L., Viloria, T. A., Remohi, J. A., Naranjo, V., & Meseguer, M. (2020). Novel and conventional embryo parameters as input data for artificial neural networks: an artificial intelligence model applied for prediction of the implantation potential. Fertility and Sterility. https://doi.org/10.1016/j.fertnstert.2020.08.023
 

Từ khóa: Xây dựng mô hình trí tuệ nhân tạo dự đoán tiềm năng làm tổ của phôi dựa vào các thông số động học bình thường và thông số động học mới