CNSH. Trần Nhật Ánh Dương – IVFMD Tân Bình

Việc đánh giá và lựa chọn phôi có tiềm năng làm tổ là một thách thức lớn trong lĩnh vực thụ tinh trong ống nghiệm (IVF). Sự ra đời của time-lapse cho phép theo dõi xuyên suốt quá trình phát triển của phôi trong môi trường nuôi cấy in vitro. Điều này cho phép ghi nhận toàn bộ những thay đổi về hình thái một cách cụ thể tại những thời điểm và khoảng thời gian xác định. Dựa trên các thông số động học hình thái này, một số mô hình chọn lọc phôi đã được phát triển với mục tiêu dự đoán khả năng hình thành phôi nang, khả năng phôi làm tổ và dự đoán phôi nguyên bội. Mặc dù các mô hình phân tích động học hình thái phôi tạo điều kiện cho quy trình làm việc linh hoạt, cải thiện tính nhất quán và giảm sự khác biệt giữa các chuyên viên phôi học, nhưng lại gây khó khăn trong việc theo dõi, quản lý các dữ liệu được thu nhận từ time-lapse, từ đó làm tăng khối lượng công việc trong phòng lab IVF.
 
Điều này dẫn đến sự phát triển của công nghệ đánh giá phôi một cách tự động dựa vào hình thái động học phôi. Các phương pháp tiếp cận ban đầu dựa trên công nghệ thị giác máy tính truyền thống (traditional computer vision technology), trong khi các phương pháp gần đây đã sử dụng các thuật toán học sâu (deep learning) tiên tiến hơn.
 
Dựa trên dữ liệu phôi đã biết kết cục làm tổ (known implantation data-KID), các mô hình trí tuệ nhân tạo (artificial intelligence-AI) đã được đào tạo để tự động đánh giá và lựa chọn phôi có tiềm năng làm tổ. Tuy nhiên, cho đến nay, chỉ có một số ít các nghiên cứu được thực hiện để đánh giá cách các mô hình lựa chọn phôi và cách thực hiện trong các phân tích này, cũng như ở những điều kiện khác nhau. Do đó, cần phải nhấn mạnh vào việc thu thập và đánh giá khả năng tổng quát hóa trên các thực hành lâm sàng khác nhau để đảm bảo một mô hình đáng tin cậy và an toàn để sử dụng trong các phòng lab IVF. Để đảm bảo điều này, một mô hình được phát triển và đánh giá bằng cách sử dụng các bộ dữ liệu rất lớn bao gồm một loạt các thử nghiệm lâm sàng khác nhau, điều kiện nuôi cấy, phương pháp thụ tinh và nhóm bệnh nhân,...
Trong bài báo này (2021), nhóm tác giả đã tiến hành điều tra cách mô hình lựa chọn phôi dựa trên deep learning chỉ sử dụng chuỗi hình ảnh timelapse ở các nhóm độ tuổi bệnh nhân và tình trạng lâm sàng khác nhau, và so sánh mối tương quan với các thông số động học hình thái phôi. 
 
Mô hình được đào tạo và đánh giá dựa trên bộ dữ liệu lớn từ 18 trung tâm IVF gồm 115.832 phôi, trong đó có 14.644 phôi KID. Tuổi trung bình của bệnh nhân là 35,6 với phạm vi từ 18 đến 52 tuổi, không loại trừ bệnh nhân được thực hiện. Tất cả các phôi được nuôi cấy trong tủ time-lapse EmbryoScope. Không loại trừ các phôi từ noãn trữ lạnh, xin noãn hay phôi được hỗ trợ thoát màng, phôi sinh thiết để xét nghiệm di truyền tiền làm tổ cũng được đưa vào nghiên cứu. Phôi sẽ được phân loại giống như mô hình IVY (Tran D và cs, 2019), gồm:

• FH+ : số lượng tim thai (fetal heartbeat-FH) quan sát được trên siêu âm sau 7 tuần bằng với số phôi được chuyển.
• FH- : không quan sát thấy tim thai.
• Không xác định: khi số lượng phôi được chuyển lớn hơn số lượng FH quan sát được.
• Đang chờ xử lý: phôi được bảo quản lạnh và chưa ghi nhận được kết quả.

 
Kết quả:
Tết quả:  bảo quản lạnh và chưa ghi nhận bế dt quả:  bảo quản lạnh và chưa ghi nhận được kết quản sát đượcyểnig tâm IVF gồm 115.832 phôi, trong đó bao gồgdt 17.249 phôi trong đó 2.212 phôi KID. Kh7.249 phôiđoán của mô hình được đánh giá bằng giá trị AUC cCng bình dưoánROC. HiCng bình dưoán của mô hình được đánh giá bằng giá trị át đượcyểnig tâm IVF gồm 115.832 phôi, trong đó bao gồm một loạt các ảo một mô hình đáng tin cậy sử dụng để đào tạo mô hình IVY, có nghĩa là sẽ đạt được hiệu suất cao hơn.  
 
Khả năng phân loại của mô hình đối với phôi KID có AUC là 0,67, thấp hơn khả năng phân loại cho toàn bộ phôi có AUC là 0,95. Sự khác biệt này được dự đoán trước vì việc phân loại giữa các phôi nang có hình thái tốt sẽ khó hơn nhiều so với việc phân loại toàn bộ các phôi, bao gồm phôi hữu dụng và phôi không hữu dụng.
Phân tích các nhóm phc góm  tum phch 95. Sự <30, 30-34, 35-39 và >39 tuổi), phương pháp thụ tinh (IVF hoặc ICSI), tu tuổi), (phôi ngày 5 ho ngày p 6) và lovà ngày phương pháp thụ tinh (IVF hoặc ICSI), c vì việc phâ trong kho phương pháp thụ t Cong kho phương

• Đối với các nhóm tuổi, AUC cho phôi KID thay đổi trong khoảng 0,63 đến 0,69, với AUC thấp nhất cho nhóm tuổi 30-34 tuổi.
• Đối với phương pháp thụ tinh nhân tạo, AUC lần lượt là 0,69 và 0,67 đối với ICSI và IVF.
• Đối với thời gian nuôi, AUC tương ứng là 0,65 và 0,66 đối với D5 và D6. Phôi được trữ lạnh có AUC thấp hơn đáng kể là 0,65 so với chuyển phôi tươi có AUC là 0,69.
• Tuy nhiên, cần lưu ý rằng AUC cao không có nghĩa là tỷ lệ làm tổ cao hoặc ngược lại, mà giá trị AUC cho biết hiệu quả phân loại phôi trong một quần thể cho sẵn của mô hình thử nghiệm. Do đó, sự khác biệt về AUC có thể là kết quả của việc tổng quát hóa mô hình kém, nhưng cũng có thể là do sự khác biệt trong các nhóm được phân tích như trên.

• Mô hình iDAScore tương quan với các thông số động học hình thái phôi. Mô hình cho điểm thấp hơn đối với phôi phân chia trực tiếp, điểm cao đối với phôi nang phát triển nhanh hơn hoặc phôi có khối ICM và TE chất lượng tốt. Ngay cả khi không được đào tạo về các thông số này, mô hình đã gián tiếp học được rằng các thông số này rất quan trọng đối với sự làm tổ.
• So sánh với mô hình KIDScore D5 v3: Hiệu suất của mô hình được so sánh với mô hình KIDScore D5 v3 trong các chu kỳ có đủ các tham số hình thái và động học được chú thích. Trong tổng số 17.249 phôi trong bộ thử nghiệm, iDAScore v1.0 có AUC là 0,92 cao hơn đáng kể so với AUC là 0,89 của mô hình KIDScore D5 v3.

 
Tóm lại, nhóm nghiên cứu đã thành công trong việc phát triển một mô hình AI đánh giá và lựa chọn phôi tự động dựa trên nguồn dữ liệu gồm 115.832 video timelapse của phôi. Tính tới hiện tại, đây được xem là tập dữ liệu lớn nhất được sử dụng để phát triển mô hình chọn lọc phôi. iDAScore đã được chứng minh là hoạt động tốt như một mô hình lựac chọn phôi hoàn toàn tự động hiện đại nhất, giúp khai thác hết nguồn dữ liệu từ time-lapse và hạn chế tính chủ quan bởi người đánh giá.
 
TLTK: Berntsen, J., Rimestad, J., Lassen, J. T., Tran, D., & Kragh, M. F. (2021). Robust and generalizable embryo selection based on artificial intelligence and time-lapse image sequences. arXiv preprint arXiv:2103.07262.

Từ khóa: iDAScore: mô hình lựa chọn phôi dựa trên trí tuệ nhân tạo và động học hình thái phôi