Nội dung chính

Lựa chọn phôi có tiềm năng phát triển tốt là một trong những bước quan trọng trong điều trị thụ tinh trong ống nghiệm (In Vitro Fertilization – IVF). Trong thực hành, đánh giá hình thái vẫn là phương pháp nền tảng, dựa trên các đặc điểm quan sát được ở những giai đoạn phát triển của phôi. Tùy theo giai đoạn, quá trình đánh giá có thể bao gồm đặc điểm của hợp tử, sự phân chia tế bào, mức độ phân mảnh, hiện tượng đa nhân, cũng như hình thái của phôi nang, khối tế bào bên trong và tế bào lá nuôi[1].

Tuy nhiên, đánh giá hình thái chủ yếu cung cấp thông tin về trạng thái của phôi tại thời điểm quan sát. Những phôi có hình thái tương tự tại thời điểm đánh giá vẫn có thể trải qua những diễn tiến phát triển khác nhau và mang tiềm năng phát triển khác nhau. Bên cạnh đó, một số tiêu chí hình thái vẫn chịu ảnh hưởng bởi tính chủ quan của người quan sát và sự khác biệt giữa các labo[1].

Những hạn chế này thúc đẩy việc tìm kiếm các phương pháp có thể khai thác thêm thông tin về phôi. Hệ thống theo dõi liên tục bằng hình ảnh (Time-lapse) cho phép quan sát diễn biến phát triển theo thời gian; xét nghiệm di truyền tiền làm tổ không xâm lấn nhằm phát hiện lệch bội (Non-invasive Preimplantation Genetic Testing for Aneuploidy – niPGT-A) hướng đến phân tích DNA tự do có nguồn gốc từ phôi trong môi trường nuôi cấy; trong khi trí tuệ nhân tạo (artificial intelligence – AI) có khả năng xử lý đồng thời lượng lớn dữ liệu hình ảnh và các thông số phát triển[1,2,3].

Tuy nhiên, việc bổ sung nhiều dữ liệu chưa bảo đảm cải thiện khả năng lựa chọn phôi. Giá trị của một phương pháp cần được xem xét dựa trên mức độ phản ánh quá trình sinh học của phôi, khả năng dự đoán kết cục và lợi ích thực tế khi áp dụng trong điều trị. Đây cũng là câu hỏi nghiên cứu được đặt ra khi xem xét vai trò của time-lapse, niPGT-A và AI trong lựa chọn phôi.

Time-lapse cho phép theo dõi phôi liên tục trong quá trình nuôi cấy mà không cần đưa phôi ra khỏi tủ ấm để quan sát tại từng thời điểm. Chuỗi hình ảnh thu được giúp xác định thời điểm xuất hiện và diễn biến của các giai đoạn phát triển khác nhau, từ đó bổ sung thông tin về quá trình phát triển của phôi thay vì chỉ dựa vào một số lần quan sát rời rạc[1,4].

Time-lapse đặc biệt hữu ích trong việc ghi nhận động học phát triển của phôi (morphokinetics). Các thông số có thể bao gồm thời điểm phân chia tế bào, khoảng thời gian giữa các lần phân chia và một số hiện tượng phát triển bất thường. Những thông tin này có thể không được ghi nhận đầy đủ khi phôi chỉ được đánh giá định kỳ bằng quan sát thông thường[1].

Nhiều nghiên cứu đã tìm kiếm mối liên hệ giữa các thông số động học với khả năng phát triển đến phôi nang, khả năng làm tổ và các kết cục điều trị. Tuy nhiên, các thông số được đề xuất còn khác biệt giữa các nghiên cứu. Sự khác biệt về hệ thống time-lapse, điều kiện nuôi cấy, phương pháp thụ tinh, đặc điểm quần thể bệnh nhân và cách xác định các kết cục có thể ảnh hưởng đến kết quả và hạn chế khả năng áp dụng một mô hình chung cho mọi labo[1,4].

Đồng thuận ESHRE/ALPHA (European Society of Human Reproduction and Embryology/Scientists in Reproductive Medicine) cập nhật năm 2025 đã đưa các đặc điểm động học vào khung đánh giá phôi hiện đại, đồng thời nhấn mạnh rằng mức độ bằng chứng khác nhau giữa các tiêu chí. Một số đặc điểm có thể hỗ trợ xếp hạng phôi, trong khi đối với những tiêu chí khác, bằng chứng hiện có chưa đủ để sử dụng như một tiêu chuẩn phân loại độc lập[1].

Bên cạnh đó, các thử nghiệm ngẫu nhiên hiện chưa cho thấy ưu thế rõ ràng của time-lapse về kết cục lâm sàng so với thực hành thông thường. Ở thời điểm hiện tại, time-lapse chủ yếu đóng vai trò bổ sung thông tin về quá trình phát triển của phôi. Dữ liệu động học có thể hỗ trợ đánh giá hình thái và xếp hạng phôi, nhưng chưa đủ cơ sở để thay thế hoàn toàn các tiêu chí đánh giá hiện có hoặc được xem như một phương pháp xác định trực tiếp tình trạng di truyền của phôi[1,4].

Tình trạng nguyên bội là một trong những yếu tố có liên quan đến tiềm năng phát triển của phôi. Trong thực hành hiện nay, xét nghiệm di truyền tiền làm tổ nhằm phát hiện lệch bội thường dựa trên sinh thiết tế bào lá nuôi (Trophectoderm – TE) ở giai đoạn phôi nang, sau đó tiến hành phân tích vật liệu di truyền bằng các kỹ thuật phù hợp.

Việc sinh thiết TE vẫn đòi hỏi thao tác trực tiếp trên phôi và mẫu tế bào thu được chỉ đại diện cho một phần của phôi nang. Điều này thúc đẩy việc tìm kiếm những nguồn vật liệu di truyền có thể thu thập mà không cần lấy tế bào trực tiếp từ phôi.

niPGT-A dựa trên việc phân tích DNA tự do (cell-free DNA – cfDNA) hiện diện trong môi trường nuôi cấy sau quá trình nuôi phôi. Qua phân tích cfDNA, niPGT-A hướng đến cung cấp thông tin về tình trạng nhiễm sắc thể mà không cần sinh thiết phôi[3,5,6].

Thách thức chính của niPGT-A liên quan đến nguồn gốc và chất lượng cfDNA. DNA thu được trong môi trường nuôi cấy thường có số lượng thấp, có thể bị phân mảnh và có nguy cơ bị ảnh hưởng bởi DNA ngoại lai. Các yếu tố như quy trình thao tác, thời điểm thu mẫu, điều kiện nuôi cấy và phương pháp phân tích đều có thể ảnh hưởng đến kết quả[5,6].

Các nghiên cứu về niPGT-A cho thấy tỷ lệ có kết quả, mức độ tương hợp với xét nghiệm di truyền tiền làm tổ nhằm phát hiện lệch bội (Preimplantation Genetic Testing for Aneuploidy – PGT-A) từ sinh thiết TE, độ nhạy và độ đặc hiệu vẫn dao động đáng kể giữa các nghiên cứu. Tuy nhiên, sự khác biệt giữa các nghiên cứu cho thấy kết quả vẫn phụ thuộc đáng kể vào quy trình thu mẫu, phân tích và chưa thể áp dụng chung cho các trung tâm[3,5,6].

Một số nghiên cứu gần đây báo cáo mức độ tương hợp cao giữa kết quả từ môi trường nuôi cấy và sinh thiết TE, cho thấy tiềm năng cải thiện hiệu quả của phương pháp khi quy trình thu mẫu và phân tích được tối ưu hóa[5,6]. Tuy nhiên, sự khác biệt đáng kể giữa các nghiên cứu cũng là một vấn đề cần được lưu ý.

Do đó, niPGT-A hiện là một hướng tiếp cận đang được nghiên cứu nhằm bổ sung thông tin di truyền trong đánh giá phôi, thay vì thay thế PGT-A dựa trên sinh thiết. Các nghiên cứu tiếp theo cần tập trung vào chuẩn hóa quy trình, xác định nguồn gốc cfDNA và đánh giá giá trị của phương pháp dựa trên các kết cục lâm sàng[3,5,6].

AI cho phép xử lý khối lượng dữ liệu lớn và khai thác đồng thời nhiều đặc điểm của phôi. Trong lĩnh vực phôi học, các mô hình AI có thể sử dụng hình ảnh tĩnh, dữ liệu time-lapse, các thông số động học hoặc kết hợp với những thông tin lâm sàng và sinh học khác[2,7,8].

AI có khả năng nhận diện các mô hình phức tạp từ lượng lớn dữ liệu. Các mô hình học máy và học sâu có thể phân tích đồng thời nhiều đặc điểm của phôi và tạo ra các hệ thống dự đoán hoặc xếp hạng dựa trên những kết cục khác nhau, chẳng hạn khả năng phát triển đến phôi nang, làm tổ hoặc thai lâm sàng[2,7].

Khi được kết hợp với time-lapse, AI không chỉ có thể phân tích hình ảnh tại từng thời điểm mà còn khai thác sự thay đổi của phôi trong suốt quá trình phát triển. Đây là một trong những hướng ứng dụng đang phát triển nhanh trong lĩnh vực lựa chọn phôi[2,7].

Hiệu năng cao trong nghiên cứu chưa bảo đảm mô hình duy trì kết quả tương tự khi triển khai trong thực hành. Một mô hình có thể hoạt động tốt trên dữ liệu được sử dụng để phát triển hoặc kiểm định nội bộ nhưng giảm hiệu năng khi được áp dụng cho một quần thể bệnh nhân khác, hệ thống hình ảnh khác hoặc điều kiện labo khác.

Ngoài ra, các nghiên cứu về AI hiện sử dụng nhiều mục tiêu dự đoán khác nhau, từ chất lượng hình thái, khả năng hình thành phôi nang đến làm tổ, thai lâm sàng và trẻ sinh sống. Sự khác biệt về dữ liệu đầu vào và kết cục khiến việc so sánh trực tiếp giữa các mô hình trở nên khó khăn[2,7,8].

Do đó, trước khi AI có thể được áp dụng rộng rãi trong lựa chọn phôi, các mô hình cần được kiểm định trên những quần thể độc lập, duy trì hiệu năng giữa các trung tâm khác nhau và quan trọng nhất là đánh giá xem việc sử dụng AI có thực sự cải thiện các kết cục có ý nghĩa trong điều trị hay không[2,7,8].

Time-lapse, niPGT-A và AI cung cấp những loại thông tin khác nhau về phôi. Time-lapse tập trung vào quá trình phát triển, niPGT-A hướng đến thông tin liên quan đến trạng thái nhiễm sắc thể, trong khi AI có khả năng phân tích và tích hợp đồng thời nhiều biến số[1,2,3].

Việc kết hợp những nguồn dữ liệu này có thể mở rộng phạm vi đánh giá so với hình thái tại một thời điểm. Một phôi có thể được xem xét dựa trên hình thái, diễn biến phát triển và thông tin thu được từ cfDNA. AI có thể hỗ trợ nhận diện những mối liên hệ phức tạp giữa các nguồn dữ liệu này và tạo ra hệ thống xếp hạng phôi đa chiều.

Việc bổ sung nhiều dữ liệu chỉ thực sự có giá trị khi mỗi nguồn dữ liệu đóng góp thêm thông tin có ý nghĩa. Nếu một nguồn thông tin có độ tin cậy hạn chế hoặc không cải thiện đáng kể khả năng dự đoán, việc bổ sung nguồn dữ liệu đó vào mô hình không bảo đảm cải thiện khả năng lựa chọn phôi.

Cần phân biệt hiệu năng dự đoán của mô hình với lợi ích lâm sàng khi triển khai trong điều trị. Một mô hình tích hợp có thể đạt độ chính xác hoặc diện tích dưới đường cong ROC cao hơn trong một bộ dữ liệu nghiên cứu, nhưng điều đó chưa chứng minh rằng việc sử dụng mô hình sẽ cải thiện tỷ lệ trẻ sinh sống, giảm thời gian đạt thai kỳ hoặc nâng cao hiệu quả điều trị[2,7,8].

Do đó, câu hỏi quan trọng không chỉ là liệu AI có thể tích hợp dữ liệu từ time-lapse và niPGT-A hay không. Câu hỏi cần được trả lời là liệu việc tích hợp các nguồn thông tin này có cải thiện khả năng lựa chọn phôi so với các phương pháp hiện có hay không. Đây là khoảng cách giữa hiệu năng công nghệ và giá trị lâm sàng mà các nghiên cứu tiếp theo cần làm rõ.

Để một công nghệ có thể được ứng dụng thường quy trong lựa chọn phôi, hiệu quả trong nghiên cứu chỉ là bước đầu. Phương pháp cần duy trì hiệu năng khi được áp dụng trong những điều kiện khác nhau.

Đối với time-lapse, điều này liên quan đến sự khác biệt giữa các hệ thống hình ảnh, điều kiện nuôi cấy và cách xác định các mốc phát triển[1,4]. Với niPGT-A, thời điểm thu mẫu, quy trình nuôi cấy, nguy cơ nhiễm DNA ngoại lai và phương pháp phân tích đều có thể ảnh hưởng đáng kể đến kết quả[3,5,6]. Đối với AI, khả năng kiểm định và tính ổn định của mô hình giữa các trung tâm là những yêu cầu quan trọng[2,7,8].

Bên cạnh độ chính xác, việc ứng dụng các công cụ này cần được đánh giá dựa trên những kết cục có ý nghĩa đối với người bệnh. Một hệ thống mới không chỉ cần chứng minh rằng nó dự đoán tốt hơn mà cần cho thấy việc sử dụng hệ thống đó có thể cải thiện các kết quả như tỷ lệ làm tổ, tỷ lệ thai diễn tiến, tỷ lệ trẻ sinh sống hoặc rút ngắn thời gian cần thiết để đạt được một thai kỳ thành công.

AI cũng đặt ra vấn đề về tính minh bạch và trách nhiệm trong quá trình ra quyết định. Một hệ thống có thể hỗ trợ chuyên viên phôi học trong việc phân tích dữ liệu và xếp hạng phôi, nhưng thông tin từ AI vẫn cần được đặt trong bối cảnh của từng chu kỳ điều trị và các yếu tố lâm sàng liên quan[2,7,8].

Vì vậy, hướng phát triển trong tương lai có thể không phải là tìm kiếm một công cụ duy nhất có khả năng xác định “phôi tốt nhất”. Thay vào đó, lựa chọn phôi có thể dần chuyển sang mô hình tích hợp, trong đó dữ liệu hình thái, động học phát triển, thông tin di truyền và các yếu tố khác được xem xét đồng thời. Tuy nhiên, sự chuyển đổi này cần được hỗ trợ bằng các nghiên cứu có thiết kế phù hợp và chứng minh được lợi ích thực sự đối với kết quả điều trị.

Time-lapse, niPGT-A và AI đang mở rộng nguồn thông tin có thể khai thác trong đánh giá phôi. Time-lapse ghi nhận diễn tiến phát triển, niPGT-A hướng đến cung cấp thông tin nhiễm sắc thể mà không cần sinh thiết, trong khi AI hỗ trợ phân tích và tích hợp nhiều nguồn dữ liệu. Tuy nhiên, giá trị lâm sàng của từng công nghệ vẫn chưa được làm rõ. Việc tích hợp các nguồn dữ liệu trong tương lai cần được đánh giá dựa trên khả năng cải thiện những kết cục có ý nghĩa trong điều trị, thay vì chỉ dựa trên hiệu năng dự đoán của từng phương pháp.

[1] Working Group on the Update of the ESHRE/ALPHA Istanbul Consensus, Coticchio G, Ahlström A, Arroyo G, et al. The Istanbul consensus update: a revised ESHRE/ALPHA consensus on oocyte and embryo static and dynamic morphological assessment. Human Reproduction. 2025;40(6):989–1035. doi:10.1093/humrep/deaf021.

[2] AlSaad R, Abusarhan L, Odeh N, et al. Deep learning applications for human embryo assessment using time-lapse imaging: scoping review. Frontiers in Reproductive Health. 2025;7:1549642. doi:10.3389/frph.2025.1549642.

[3] Chen S, et al. Noninvasive preimplantation genetic testing for aneuploidy using blastocyst spent culture medium may serve as a backup of trophectoderm biopsy in conventional preimplantation genetic testing. BMC Medical Genomics. 2025;18:34. doi:10.1186/s12920-025-02106-7.

[4] Campbell A, Ben-Yosef D, Meseguer Escrivá M, Freour T. Evaluating time-lapse imaging systems for embryo incubation and selection in ART: a critical review of a randomized controlled trial. Reproductive BioMedicine Online. 2025;50(6):104937. doi:10.1016/j.rbmo.2025.104937.

[5] Lledó B, Morales R, Ortiz JA, Bernabeu A, Bernabeu R. Noninvasive preimplantation genetic testing using the embryo spent culture medium: an update. Current Opinion in Obstetrics & Gynecology. 2023;35(4):294–299. doi:10.1097/GCO.0000000000000881.

[6] Nguyen HTT, Luu TTM, Do LT, Nguyen TC, Nguyen DTN, Ho TMT, et al. Non-invasive preimplantation genetic testing for aneuploidy using cell-free DNA in blastocyst culture medium. Journal of Assisted Reproduction and Genetics. 2025;42(8):2587–2595. doi:10.1007/s10815-025-03510-9.

[7] Sciorio R, Tramontano L, Gullo G. Use of time-lapse technology and artificial intelligence in the embryology laboratory: an updated review. JBRA Assisted Reproduction. 2025;29(2):338–350. doi:10.5935/1518-0557.20250019.

[8] Maresca L, D'Amato A, Coianiz C, Cavalieri A, Vella E, Gebbia F, et al. Artificial intelligence in embryo selection: current approaches and clinical implications. Bioengineering (Basel). 2026;13(6):688. doi:10.3390/bioengineering13060688.