KS. Nguyễn Thanh Tuyên – IVF Mỹ Đức Gia Định, Bệnh viện Đa khoa Gia Định

Giới thiệu

Kể từ khi em bé thụ tinh trong ống nghiệm (in vitro fertilization – IVF) đầu tiên trên thế giới, Louise Brown, chào đời vào năm 1978, ngành hỗ trợ sinh sản đã trải qua hơn bốn thập kỷ phát triển không ngừng (Campbell và cs., 2015). Từ những kỹ thuật sơ khai ban đầu, lĩnh vực này đã chứng kiến các bước tiến mang tính cách mạng như tiêm tinh trùng vào bào tương noãn (intracytoplasmic sperm injection – ICSI) và sinh thiết phôi. Đặc biệt, sự phát triển mạnh mẽ của trí tuệ nhân tạo (artificial intelligence – AI) và hệ thống quan sát liên tục sự phát triển của phôi (Time-Lapse monitoring – TLM) đã mở ra nhiều cơ hội mới trong lĩnh vực hỗ trợ sinh sản (assisted reproductive technology – ART). Việc kết hợp AI với TLM không chỉ giúp nâng cao độ chính xác trong lựa chọn giao tử và phôi, mà còn đặt nền tảng cho một hướng tiếp cận mới – phôi học tính toán (computational embryology). Cụ thể, nguồn dữ liệu lớn và các thuật toán trở thành công cụ hỗ trợ bên cạnh kinh nghiệm của chuyên viên phôi học (Zaninovic và cs., 2024).

Hệ thống nuôi cấy phôi Time-Lapse

TLM được định nghĩa là hệ thống tủ nuôi cấy tích hợp camera độ phân giải cao, kết nối với máy tính bên ngoài. Trong suốt quá trình nuôi cấy, hình ảnh phôi được chụp định kỳ (thường là 5 – 15 phút) ở nhiều tiêu cự và ghép lại thành chuỗi video, cho phép theo dõi toàn bộ tiến trình phát triển từ thụ tinh đến khi hình thành phôi nang mà không cần đưa phôi ra khỏi môi trường nuôi cấy (AlSaad và cs., 2025). So với phương pháp đánh giá phôi truyền thống, TLM cho phép theo dõi liên tục mà không làm gián đoạn môi trường nuôi cấy, qua đó duy trì điều kiện nhiệt độ, nồng độ khí ổn định và giảm thiểu tối đa các tác động bên ngoài. Đồng thời, hệ thống còn cung cấp dữ liệu động học hình thái phôi toàn diện, phản ánh liên tục quá trình phân chia và phát triển của phôi (Rubio và cs., 2014).

So với các phương pháp đánh giá phôi truyền thống chủ yếu dựa vào quan sát hình thái ở một vài thời điểm cố định nên dễ mang tính chủ quan, TLM cho phép theo dõi liên tục và chi tiết hơn, giúp tránh bỏ sót những sự kiện quan trọng như sự xuất hiện của hai tiền nhân hoặc các bất thường phân chia như phân chia trực tiếp (direct cleavage), phân chia nhanh (rapid cleavage) và phân chia ngược (reverse cleavage). Những dữ liệu này không chỉ giúp đánh giá chính xác hơn tiềm năng phát triển của phôi mà còn góp phần loại bỏ sớm các phôi có nguy cơ lệch bội nhiễm sắc thể, vốn là nguyên nhân chính dẫn đến thất bại làm tổ và sảy thai. Bằng cách đó, TLM giúp nâng cao tỷ lệ sử dụng giao tử và phôi, đồng thời tạo nền tảng cho các mô hình dự đoán khách quan hơn trong lựa chọn giao tử và phôi.

Bên cạnh đó, TLM còn cung cấp một thông số được gọi là động học hình thái phôi (morphokinetics). Động học hình thái phôi là sự kết hợp giữa hình thái (morphology) và động học (kinetics), được định nghĩa là thời điểm và khoảng thời gian các sự kiện phát triển phôi diễn ra, kết hợp với đặc điểm hình thái bên ngoài của phôi (Campbell và cs., 2015).

Trí tuệ nhân tạo (AI)

AI là lĩnh vực khoa học máy tính tập trung vào việc xây dựng các hệ thống có khả năng mô phỏng các chức năng nhận thức của con người, bao gồm học tập, suy luận, nhận dạng mẫu, ra quyết định và giải quyết vấn đề. AI cho phép máy tính phân tích dữ liệu, rút ra quy luật từ dữ liệu đó và đưa ra dự đoán hoặc hành động mà không cần lập trình rõ ràng cho từng tình huống cụ thể.

Trong y học, AI thường được triển khai thông qua các kỹ thuật như machine learning (học máy) và deep learning (học sâu), trong đó các thuật toán được huấn luyện trên lượng dữ liệu lớn nhằm nhận diện các mối quan hệ phức tạp và hỗ trợ ra quyết định lâm sàng (Zaninovic và cs., 2024).

Ứng dụng trí tuệ nhân tạo và Time-Lapse trong lựa chọn phôi

TLM cho phép ghi nhận sự phát triển phôi một cách liên tục và không xâm lấn, bao gồm quá trình phân chia tế bào, sự đồng bộ chu kỳ tế bào, hiện tượng nén và tạo khoang (Rubio và cs., 2012). Khi tích hợp với AI, dữ liệu thông số động học có thể được khai thác để xây dựng các mô hình dự đoán (Campbell và cs., 2013):

  • Khả năng hình thành phôi nang: Motato và cs. (2016) nghiên cứu xây dựng mô hình dự đoán khả năng hình thành phôi nang dựa trên dữ liệu động học thu từ hệ thống Time-Lapse, giúp cải thiện tiêu chuẩn lựa chọn phôi nang và có thể dự đoán sự hình thành phôi nang cho thấy hiệu năng phân biệt ở mức trung bình–khá (AUC ~ 0,72 – 0,74).
  • Tình trạng phôi nguyên bội: Huang và cs. (2021) sử dụng dữ liệu Time-Lapse để dự đoán tình trạng nguyên bội của phôi (AUC ~ 0,74 – 0,77), mở ra tiềm năng đánh giá phôi không xâm lấn.
  • Khả năng phôi làm tổ: Dominguez và cs. (2015) xây dựng mô hình dự đoán khả năng làm tổ của phôi dựa vào hình thái, cụ thể là sự hiện diện IL-6 trong môi trường nuôi cấy và thời gian giữa lần phân chia thứ 2 và thứ 3 (cc2) (trong khoảng tối ưu từ 5-12 giờ) (AUC ~ 0,75 – 0,80).

Mặc dù các mô hình trên cho thấy tiềm năng ứng dụng, giá trị AUC dao động trong khoảng 0,72 – 0,80 cho thấy hiệu năng ở mức trung bình–khá và chưa đạt ngưỡng đủ cao để thay thế các phương pháp xâm lấn như sinh thiết phôi. Do đó, AI hiện đóng vai trò hỗ trợ ra quyết định hơn là công cụ chẩn đoán độc lập.

Ứng dụng trí tuệ nhân tạo trong đánh giá giao tử (Noãn và Tinh trùng)

Noãn là yếu tố đóng góp phần lớn vào chất lượng phôi và thành công của IVF, nhưng việc đánh giá noãn trước đây chỉ dựa vào hình thái học rất hạn chế. Một số hệ thống AI thương mại như VIOLET™ sử dụng thuật toán học sâu để dự đoán tiềm năng phát triển của noãn, cho thấy khả năng dự đoán tiềm năng phát triển noãn vượt trội so với đánh giá chủ quan (Campbell và cs., 2024). Tuy nhiên, phần lớn các nghiên cứu hiện tại vẫn ở mức đánh giá hiệu năng thuật toán và chưa có nhiều thử nghiệm lâm sàng ngẫu nhiên quy mô lớn.

Trong các trường hợp vô sinh nam, việc chọn đúng tinh trùng để ICSI là cực kỳ khó khăn. AI được tích hợp vào các hệ thống phân tích tinh trùng tự động (Computer-Assisted Sperm Analysis – CASA) nhằm chuẩn hóa việc đo lường mật độ và khả năng di động. Một số phần mềm nhận diện tinh trùng theo thời gian thực đã được phát triển, song cần thêm các thử nghiệm lâm sàng đối chứng để khẳng định lợi ích trên kết cục sinh sống (Campbell và cs., 2024). Ngoài ra, phần mềm SiD (sperm identification) còn hỗ trợ chọn tinh trùng trong thời gian thực dựa trên các thông số động học như vận tốc đường thẳng và quỹ đạo chuyển động của đầu tinh trùng, giúp cải thiện tỷ lệ thụ tinh và tạo phôi nang (Cohen và cs., 2025).

Thách thức

Bên cạnh tiềm năng, việc ứng dụng AI kết hợp TLM còn gặp không ít rào cản (He và cs., 2023):

  • Dữ liệu huấn luyện: mô hình AI cần lượng dữ liệu lớn, đa dạng và chuẩn hóa. Tuy nhiên, trong ART dữ liệu thường bị phân mảnh do vấn đề bảo mật, bản quyền thương mại và khác biệt về thiết bị. Những yếu tố này làm hạn chế khả năng khái quát hóa của mô hình khi áp dụng ở trung tâm khác.
  • Ảnh hưởng kỹ thuật: hình ảnh TLM có thể bị nhiễu do ánh sáng, độ nét không ổn định hoặc chất lượng thấu kính.
  • Hiệu ứng “dataset shift” khi mô hình được huấn luyện trên dữ liệu một trung tâm nhưng áp dụng ở trung tâm khác có thể làm giảm hiệu năng dự đoán.
  • Tính minh bạch và khả năng giải thích: nhiều mô hình AI vẫn hoạt động như “hộp đen”, gây khó khăn trong việc giải thích kết quả cho chuyên viên phôi học, bác sĩ và bệnh nhân.
  • Chi phí và hạ tầng: việc đầu tư hệ thống Time-Lapse, phần mềm AI và hạ tầng lưu trữ dữ liệu là thách thức lớn đối với nhiều trung tâm IVF.
  • Đạo đức và pháp lý: cần bảo mật dữ liệu di truyền – lâm sàng, quyền riêng tư của bệnh nhân và minh bạch trong cơ chế ra quyết định. Ngoài ra, khung pháp lý về việc sử dụng AI trong lâm sàng còn thiếu, dẫn đến nhiều lo ngại về trách nhiệm khi có sai sót.

Định hướng phát triển tương lai

Một xu hướng nổi bật hiện nay là AI đa phương thức (multimodal AI). Thay vì chỉ dựa trên hình ảnh TLM, mô hình có thể tích hợp nhiều loại dữ liệu khác nhau: hình thái, động học, hồ sơ lâm sàng, môi trường nuôi cấy và dữ liệu di truyền (He và cs., 2023). Hướng đi này mang lại:

  • Độ chính xác cao hơn trong dự đoán tình trạng lệch bội và khả năng làm tổ không xâm lấn.
  • Cá thể hóa điều trị cho từng bệnh nhân, tiến gần hơn đến y học chính xác (precision medicine).
  • Hướng tới IVF tự động hóa, nơi AI thực hiện các phân tích lặp lại, còn chuyên viên phôi học đóng vai trò giám sát, kiểm chứng và đưa ra quyết định lâm sàng cuối cùng.

Để hiện thực hóa, cần:

  • Các bộ dữ liệu chuẩn hóa, đa trung tâm và quy mô lớn.
  • Thử nghiệm lâm sàng tiến cứu, ngẫu nhiên, đa quốc gia.
  • Phát triển mô hình AI có khả năng dự đoán, giải thích (explainable AI) để tăng tính minh bạch và niềm tin.
  • Khung pháp lý rõ ràng và đào tạo nhân lực phù hợp.

Kết luận

Việc kết hợp giữa AI và TLM đang dần chứng minh vai trò quan trọng trong lựa chọn giao tử và phôi, giúp nâng cao chất lượng điều trị và mở rộng khả năng cá thể hóa cho từng bệnh nhân. Dù vậy, công nghệ này vẫn còn nhiều thách thức cần giải quyết, từ vấn đề dữ liệu, thiếu tính minh bạch trong dự đoán cho đến khía cạnh đạo đức và pháp lý. Trong thực hành lâm sàng, AI không thay thế được chuyên viên phôi học, mà đóng vai trò hỗ trợ, giúp họ có thêm thông tin để đưa ra quyết định chính xác và an toàn hơn cho người bệnh.

 

Tài liệu tham khảo

[1] Campbell, A., & Fishel, S. (Eds.). (2015). Atlas of time lapse embryology. CRC Press.

[2] Zaninovic N, Hickman C. Artificial intelligence (AI). In: Gardner DK, Nagy ZP, eds. Textbook of Assisted Reproductive Techniques, Volume 1: Laboratory Perspectives. 6th ed. Boca Raton, FL: CRC Press; 2024:205.

[3] AlSaad, R., Abusarhan, L., Odeh, N., Abd-Alrazaq, A., Choucair, F., Zegour, R., ... & Sheikh, J. (2025). Deep learning applications for human embryo assessment using time-lapse imaging: scoping review. Frontiers in Reproductive Health, 7, 1549642.

[4] Rubio, I., Galán, A., Larreategui, Z., Ayerdi, F., Bellver, J., Herrero, J., & Meseguer, M. (2014). Clinical validation of embryo culture and selection by morphokinetic analysis: a randomized, controlled trial of the EmbryoScope. Fertility and sterility, 102(5), 1287-1294.

[5] Rubio I, Kuhlmann R, Agerholm I, Kirk J, Herrero J, Escribá MJ, Bellver J, Meseguer M. Limited implantation success of direct-cleaved human zygotes: a time-lapse study. Fertil Steril. 2012;98(6):1458-1463.

[6] Campbell A, Fishel S, Bowman N, Duffy S, Sedler M, Thornton S. Modelling a risk classification of aneuploidy in human embryos using non-invasive morphokinetics. Reprod Biomed Online. 2013;26(5):477-485.

[7] Motato, Y., de los Santos, M. J., Escriba, M. J., Ruiz, B. A., Remohí, J., & Meseguer, M. (2016). Morphokinetic analysis and embryonic prediction for blastocyst formation through an integrated time-lapse system. Fertility and sterility, 105(2), 376-384.

[8] Huang, B., Tan, W., Li, Z., & Jin, L. (2021). An artificial intelligence model (euploid prediction algorithm) can predict embryo ploidy status based on time-lapse data. Reproductive Biology and Endocrinology, 19(1), 185.

[9] Dominguez, F., Meseguer, M., Aparicio-Ruiz, B., Piqueras, P., Quiñonero, A., & Simón, C. (2015). New strategy for diagnosing embryo implantation potential by combining proteomics and time-lapse technologies. Fertility and sterility, 104(4), 908-914.

[10] Campbell, A. (2024). Staffing in the IVF Laboratory. In Mastering Clinical Embryology (pp. 19-23). CRC Press.

[11] Cohen, J., Silvestri, G., Paredes, O., Martin-Alcala, H. E., Chavez-Badiola, A., Alikani, M., & Palmer, G. A. (2025). Artificial intelligence in assisted reproductive technology: separating the dream from reality. Reproductive biomedicine online, 50(4), 104855.

[12] He, C., Karpaviciute, N., Hickman, C., & Zaninovic, N. (2023). Artificial intelligence (AI) in gamete and embryo selection. Textbook of assisted reproductive techniques, 208-222.