Nội dung chính

Giới thiệu

Hiện nay, tỷ lệ vô sinh gia tăng toàn cầu và sự phát triển mạnh mẽ của các kỹ thuật hỗ trợ sinh sản, đặc biệt là thụ tinh trong ống nghiệm (in vitro fertilization, IVF) và tiêm tinh trùng vào bào tương noãn (intracytoplasmic sperm injection, ICSI) tạo ra một quần thể thai kỳ cần theo dõi sát hơn so với thai kỳ tự nhiên, đặc biệt trong giai đoạn tiền sản.

Trong những năm gần đây, trí tuệ nhân tạo (artificial intelligence, AI), đã nổi lên như một công cụ hỗ trợ quan trọng trong toàn bộ chuỗi chăm sóc sinh sản, từ đánh giá phôi, dự đoán khả năng làm tổ, đến hỗ trợ chẩn đoán tiền sản qua siêu âm thai nhi.

Bài viết này nhằm hệ thống hóa các ứng dụng hiện tại của AI trong chuỗi chẩn đoán tiền sản ở thai kỳ IVF/ICSI, bao gồm: AI trong lựa chọn và đánh giá phôi trước chuyển; AI trong theo dõi thai kỳ sớm sau IVF; và AI trong siêu âm thai nhi các tam cá nguyệt. Đồng thời, bài điểm qua các thách thức và hướng phát triển tương lai của lĩnh vực này.

AI trong đánh giá chất lượng, lựa chọn phôi chuyển và đánh giá lệch bội từ hình ảnh phôi

Phân tích hình thái phôi tĩnh

Đánh giá hình thái phôi là bước tiêu chuẩn để lựa chọn phôi chuyển trong IVF/ICSI. Theo hệ thống phân loại Gardner, phôi nang được đánh giá dựa trên mức độ giãn nở khoang phôi nang, chất lượng khối tế bào nội (inner cell mass, ICM) và cấu trúc tế bào lá nuôi (trophectoderm, TE). Tuy nhiên, tính chủ quan của quá trình này tạo ra sai khác đáng kể giữa các chuyên viên phôi học và ngay cả giữa các lần đánh giá của cùng một người. AI đang được phát triển như công cụ hỗ trợ chuẩn hóa quá trình ra quyết định này [1].

Các mô hình học sâu (deep learning) đã được phát triển nhằm tự động hóa quá trình đánh giá hình thái phôi bắt đầu từ đánh giá hình ảnh tĩnh cho thấy có hiệu quả. Mô hình STORK dựa trên kiến trúc Google Inception, huấn luyện trên khoảng 50.000 ảnh phôi đạt kết quả cao trong dự đoán chất lượng phôi nang và có khả năng ứng dụng cao[1]. Bormann và cộng sự (2020) xây dựng mạng nơ-ron tích chập (convolutional neural network, CNN)  huấn luyện trên ảnh tĩnh tại 113 giờ sau thụ tinh, đạt độ chính xác 90% trong chọn phôi tốt và vượt trội hơn 15 chuyên viên phôi học có kinh nghiệm từ năm trung tâm trong dự đoán tiềm năng làm tổ (75,26% so với 67,35%, p<0,0001) [2]. Loewke và cộng sự (2022) ghi nhận AI giúp cải thiện tỷ lệ dự đoán thai thành công 5–12% so với đánh giá truyền thống; tuy nhiên, hiệu quả phụ thuộc đáng kể vào chất lượng hình ảnh và loại kính hiển vi [3].

Phân tích hình thái động học phôi

Hệ thống nuôi cấy time-lapse (time-lapse microscopy, TLM) ghi lại liên tục quá trình phát triển phôi tạo ra dữ liệu động học phong phú hơn so với đánh giá hình thái tĩnh truyền thống. Các thuật toán AI có thể tự động nhận diện các sự kiện phân bào bất thường như phân chia ngược (reverse cleavage), phân chia ba cực (tripolar division), đa nhân (multinucleation) và nén sớm (early compaction) có thể được xem là dấu hiệu gián tiếp của bất thường nhiễm sắc thể và tiên lượng làm tổ kém [4,5,6].

Mô hình học sâu IVY huấn luyện trên video TLM thô, có khả năng cao trong dự đoán thai có tim thai, được xác thực trên 10.638 phôi từ 8 phòng thí nghiệm tại 4 quốc gia [4]. Mô hình iDAScore (intelligent Data Analysis Score) v1.0 được huấn luyện trên 115.832 phôi từ 18 trung tâm IVF, đạt diện tích dưới đường cong ROC (Area Under the Curve, AUC) 0,95 khi phân loại toàn bộ phôi, nhưng chỉ đạt AUC 0,67 trên tập phôi có dữ liệu làm tổ đã biết (Known Implantation Data, KID) phản ánh khoảng cách giữa hiệu năng mô hình và thực tế [5].

TLM kết hợp AI không chỉ nâng cao độ chính xác đánh giá phôi mà còn cung cấp mô hình động học liên tục, đặt nền tảng quan trọng cho việc xây dựng chuỗi chẩn đoán tiền sản tích hợp trong IVF/ICSI.

Dự đoán chất lượng di truyền gián tiếp từ hình ảnh phôi

Xét nghiệm di truyền tiền làm tổ để phát hiện lệch bội (preimplantation genetic testing for aneuploidy, PGT-A) hiện là tiêu chuẩn vàng để đánh giá nhiễm sắc thể phôi, nhưng có nhiều hạn chế về chi phí, tính xâm lấn và nguy cơ tổn thương phôi [6]. Do vậy, các mô hình AI dự đoán gián tiếp tình trạng lệch bội từ dữ liệu hình ảnh và thông tin lâm sàng, không cần sinh thiết, đang được quan tâm nghiên cứu.

Hệ thống ERICA (Embryo Ranking Intelligent Classification Algorithm) đạt độ chính cao cho dự đoán nguyên bội vượt qua đánh giá của hai chuyên viên phôi học giàu kinh nghiệm khi phân tích hình ảnh tĩnh [7]. Các mô hình tích hợp đa nguồn dữ liệu cho hiệu năng cao hơn: STORK-A kết hợp hình ảnh tĩnh, tham số động học TLM, điểm hình thái và tuổi mẹ, đạt AUC 0,761 trong phân biệt nguyên bội/lệch bội và AUC 0,847 riêng cho phân biệt lệch bội phức tạp, với khả năng khái quát hóa được xác thực trên hai tập dữ liệu độc lập [8].

Phân tích tổng hợp của Xin và cộng sự (2024) ghi nhận AUC gộp khoảng 0,80 trên nhiều nghiên cứu AI về dự đoán lệch bội, nhưng mức độ không đồng nhất đáng kể giữa các mô hình AI về thiết kế, chất lượng dữ liệu và chiến lược xác thực [9].

Dù AI có lợi thế về chi phí và khả năng mở rộng, các mô hình hiện tại không được thiết kế để thay thế PGT-A . Thể khảm (mosaicism) vẫn là giới hạn lớn làm giảm độ chính xác của cả AI lẫn PGT-A. Do vậy, các mô hình AI hiện tại chỉ là công cụ hỗ trợ quyết định bổ sung, không thay thế xét nghiệm di truyền xâm lấn trong thực hành IVF/ICSI.

Lựa chọn và tối ưu hóa chuyển phôi

Lựa chọn phôi chuyển là bước quan trọng nhất trong chu kỳ IVF/ICSI. Trong xu hướng toàn cầu ưu tiên chính sách chuyển đơn phôi (single embryo transfer, SET) nhằm giảm biến chứng đa thai, AI đang được phát triển như công cụ hỗ trợ chuẩn hóa quá trình ra quyết định này.

Wang và cộng sự (2023) ghi nhận tỷ lệ làm tổ cao hơn có ý nghĩa thống kê ở nhóm có AI hỗ trợ chọn phôi chuyển so với đánh giá thủ công theo hệ thống Gardner (80,87% so với 68,15%, p = 0,022), không có khác biệt về kết quả sơ sinh hay sảy thai [10]. Tuy nhiên, nghiên cứu của Illingworth và cộng sự (2024) trên 1.066 bệnh nhân tại 14 trung tâm cho thấy mô hình iDAScore không có sự khác biệt với đánh giá thủ công về tỷ lệ thai lâm sàng (46,5% so với 48,2%), nhưng thời gian đánh giá nhanh hơn gần 10 lần (21,3 so với 208,3 giây) [11]. Mô hình STORK kết hợp điểm chất lượng phôi với tuổi mẹ khi quyết định phôi chuyển, có xác suất thai dao động từ 13,8% (tuổi ≥41, phôi kém) đến 66,3% (tuổi <37, phôi tốt), cung cấp nền tảng định lượng cho tư vấn lâm sàng cá thể hóa [1].

Nhìn chung, bằng chứng hiện tại cho thấy giá trị cốt lõi của AI trong lựa chọn phôi hiện nay nằm ở tính nhất quán, tốc độ và tính định lượng khách quan. Mô hình kết hợp AI với kinh nghiệm lâm sàng vẫn là tiếp cận tối ưu trong thực hành IVF/ICSI [11].

AI trong theo dõi thai kỳ sớm sau IVF/ICSI

Thai kỳ sau IVF/ICSI  so với thai tự nhiên có tỷ lệ thai sinh hóa, thai lạc chỗ và sảy thai sớm cao hơn xuất phát từ nhiều yếu tố đan xen như tuổi mẹ cao, bệnh lý nền gây vô sinh, kỹ thuật chuyển phôi và môi trường nội tiết sau kích thích buồng trứng [12]. Các mô hình học máy tiếp cận theo dõi thai sớm chủ yếu theo hai hướng: mô hình hóa động học β-hCG theo thời gian và tích hợp đa biến [13, 14].

Thay vì sử dụng giá trị β-hCG đơn lẻ, các mô hình học máy phân tích xu hướng tăng trưởng theo thời gian kết hợp với progesterone (P) và estradiol (E2) để phát hiện sớm mẫu hình bất thường trước khi biểu hiện rõ trên siêu âm [14]. Mô hình Random Forest tích hợp các chỉ số lâm sàng, sinh hóa và hình ảnh đạt AUC 0,97 khi bổ sung biến nhịp tim thai, tuy nhiên kết quả này cần được xác thực trên tập dữ liệu độc lập [13].

Nhận dạng hình ảnh siêu âm thai sớm

Các thuật toán CNN phân tích đặc điểm hình ảnh túi thai và túi noãn hoàng để phân tầng nguy cơ sảy thai sớm. Wang và cộng sự (2022) phát triển mô hình CNN trên 2.196 hình ảnh siêu âm thai 6-8 tuần, đạt AUC 0,857–0,885 trong dự đoán sảy thai, cao hơn có ý nghĩa so với đo lường thủ công (AUC 0,687) [15].

Hạn chế quan trọng hiện nay là phần lớn mô hình được xây dựng trên quần thể thai tự nhiên, chưa hiệu chỉnh cho IVF/ICSI, một quần thể có đặc điểm β-hCG và hồ sơ nguy cơ khác biệt đáng kể [13]. Việc xây dựng bộ dữ liệu và mô hình chuyên biệt cho quần thể IVF/ICSI là cần thiết.

 

AI trong siêu âm thai nhi

Tam cá nguyệt I: Sàng lọc sớm

Siêu âm tam cá nguyệt I (11 đến 13+6 tuần thai) là cửa sổ quan trọng để sàng lọc lệch bội và phát hiện dị tật cấu trúc sớm. Các mô hình CNN có khả năng tự động phân đoạn vùng cổ thai nhi, xác định đường biên khoang dịch và thực hiện đo độ mờ da gáy nhất quán, giảm đáng kể biến thiên giữa các kỹ thuật viên, đồng thời có thể hỗ trợ phát hiện sớm một số dị tật cấu trúc nghiêm trọng như vô sọ (anencephaly) và holoprosencephaly (những bất thường phụ thuộc nhiều vào mặt cắt chuẩn và dễ bị bỏ sót khi chỉ đánh giá thủ công) [16, 17].

Hướng phát triển tiềm năng hơn là tích hợp đa mô thức: AI có thể kết hợp thông số độ mờ da gáy tự động với xét nghiệm sinh hóa huyết thanh (PAPP-A, free β-hCG) và phân tích DNA tự do thai nhi (cell-free fetal DNA, cffDNA) để xây dựng chỉ số nguy cơ tổng hợp, cải thiện độ nhạy sàng lọc đồng thời giảm tỷ lệ dương tính giả [18]. Việc triển khai thực tế đòi hỏi chuẩn hóa dữ liệu đầu vào, kiểm chứng đa trung tâm và tích hợp với hệ thống thông tin lâm sàng [16].

Tam cá nguyệt II–III: Sinh trắc học, dị tật và Doppler

Các mô hình CNN tự động hóa đo sinh trắc học chuẩn - đường kính lưỡng đỉnh, chu vi đầu, chu vi bụng và chiều dài xương đùi giúp chuẩn hóa phép đo và giảm sai số giữa các kỹ thuật viên [17].

Trong đánh giá tim thai, AI nhận diện các mặt cắt tiêu chuẩn với hiệu năng cao, hỗ trợ sàng lọc dị tật tim bẩm sinh vốn phụ thuộc nhiều vào kỹ thuật thu nhận mặt cắt [16]. Hệ số tương đồng nội bộ  giữa AI và bác sĩ siêu âm có kinh nghiệm đạt 0,987–0,995 cho cả bốn thông số trên và vượt trội so với bác sĩ siêu âm tập sự [16].

Về phát hiện dị tật cấu trúc, AI nhận diện mặt cắt tim tiêu chuẩn hỗ trợ sàng lọc dị tật tim bẩm sinh, và tự động xác định các cấu trúc thần kinh trung ương (tiểu não, vách trong suốt, não thất bên) để phát hiện não úng thủy và bất sản thể chai (agenesis of corpus callosum) nhất quán hơn đánh giá thủ công [16]. Một hệ thống phân loại chín dạng bất thường não thai nhi từ hình ảnh siêu âm chuẩn đạt độ chính xác trung bình 95% [16].

Trong theo dõi tăng trưởng, AI tích hợp chuỗi số đo sinh trắc học theo thời gian với chỉ số Doppler động mạch rốn và động mạch não giữa để phát hiện sớm thai chậm tăng trưởng, suy nhau thai và tái phân bố tuần hoàn, đặc biệt có giá trị trong theo dõi thai IVF vốn có nguy cơ cao hơn thai tự nhiên [18].

Một ứng dụng thực tiễn quan trọng là hệ thống báo cáo siêu âm tự động do AI tạo ra: cấu trúc hóa, tự động gán bách phân vị theo tuổi thai và đưa ra cảnh báo bất thường, giúp chuẩn hóa dữ liệu giữa các trung tâm, điều đặc biệt cần thiết trong các chương trình theo dõi thai IVF đa trung tâm [16, 18].

 

 

Thách thức và hạn chế của việc ứng dụng AI trong chẩn đoán tiền sản trong chu kỳ IVF/ICSI

Dù tiến bộ nhanh chóng, ứng dụng AI trong y học sinh sản đối mặt với năm thách thức cơ bản :

Chuẩn hóa dữ liệu và thiết bị là rào cản kỹ thuật đầu tiên. AI cải thiện tỷ lệ dự đoán thai 5–12% khi dùng kính hiển vi đảo ngược tiêu chuẩn, nhưng không cải thiện khi dùng kính hiển vi soi nổi có độ phân giải thấp cho thấy sự phụ thuộc của hiệu năng AI vào chất lượng hình ảnh đầu vào [3]. Nguyên tắc này áp dụng tương tự cho siêu âm thai nhi, nơi sự không đồng nhất giữa các thiết bị là nguồn sai lệch hệ thống không thể bỏ qua.

Khả năng giải thích mô hình là thách thức thứ hai. Hầu hết mô hình học sâu hoạt động như "hộp đen", tạo rủi ro pháp lý khi xảy ra kết cục bất lợi. Tiếp cận AI có thể giải thích (interpretable AI) như hệ thống là giải pháp từng phần, cho phép kỹ thuật viên hiểu và kiểm chứng cơ sở của khuyến nghị AI [10].

Sai lệch trung tâm và giới hạn hiệu năng được minh họa rõ qua iDAScore v1.0: AUC giảm từ 0,95 trên toàn bộ phôi xuống 0,67 trên tập KID độc lập, với AUC hold-out dao động 0,60–0,75 giữa các trung tâm [5]. Trong một nghiên cứu ngẫu nhiên có đối chứng quy mô lớn nhất hiện nay, iDAScore không chứng minh được tính ưu thế so với đánh giá hình thái thủ công, gợi ý giới hạn hiệu năng của thiết kế mô hình hiện tại [11].

Trách nhiệm pháp lý và đạo đức đặt ra câu hỏi chưa có lời giải: khi lựa chọn phôi dựa trên AI dẫn đến kết cục bất lợi, trách nhiệm thuộc về chuyên viên phôi học, bác sĩ lâm sàng hay nhà phát triển phần mềm? Các lộ trình pháp lý cho AI như thiết bị y tế đang được xây dựng nhưng chưa hoàn thiện, tạo ra khoảng trống quản lý đáng kể [6].

Khả năng tổng quát hóa là thách thức cuối cùng. Phần lớn mô hình AI được huấn luyện trên dữ liệu từ các trung tâm lớn tại Bắc Mỹ, Tây Âu và Úc với sự khác biệt đáng kể về nhân khẩu học, phác đồ và thiết bị so với các trung tâm IVF tại Đông Nam Á và các quốc gia có nguồn lực hạn chế [12]. Đây là khoảng trống bằng chứng cần được ưu tiên lấp đầy trong giai đoạn tới.

Hướng phát triển tương lai

Mô hình AI đa phương thức (multimodal AI) là ưu tiên hàng đầu, trong đó một kiến trúc duy nhất tích hợp đồng thời hình ảnh phôi, dữ liệu nội tiết huyết thanh, thông tin di truyền và hình ảnh siêu âm thai nhi. Đây được xem là nền tảng thiết yếu để hiện thực hóa y học sinh sản chính xác ở cấp độ cá thể [12].

Học liên kết (federated learning) cho phép huấn luyện mô hình AI trên dữ liệu từ nhiều trung tâm mà không cần chia sẻ dữ liệu bệnh nhân thô, giải quyết đồng thời hai vấn đề cốt lõi là sai lệch trung tâm và bảo mật thông tin y tế. Đây là kiến trúc có tiềm năng lớn nhất để xây dựng mô hình tổng quát hóa thực sự qua các hệ thống y tế đa dạng [19].

Tích hợp di truyền và hình ảnh là hướng phát triển tiếp theo. Đây là hướng kết hợp phân tích cffDNA với hình ảnh phôi học trong một khung dự đoán nguy cơ lệch bội thống nhất, với mục tiêu dài hạn là giảm sự phụ thuộc vào sinh thiết phôi xâm lấn trong PGT-A [17].

AI thời gian thực trong phòng xét nghiệm và phòng siêu âm bao gồm phát hiện bất thường tức thì trong nuôi cấy phôi và tự động đo sinh trắc học ngay trong lúc quét siêu âm, giảm thiểu phụ thuộc vào kỹ năng cá nhân người thực hiện và nâng cao tính nhất quán quy trình [18].

Y học sinh sản chính xác (precision reproductive medicine) là đích đến tổng thể: cá thể hóa thời điểm chuyển phôi tối ưu, phác đồ kích thích buồng trứng và lịch theo dõi thai kỳ dựa trên điểm số nguy cơ AI riêng biệt cho từng bệnh nhân, hướng tới vượt qua cách tiếp cận "một chuẩn cho tất cả" vốn còn phổ biến trong thực hành hiện nay [12].

Kết luận

Trí tuệ nhân tạo có tiềm năng chuyển đổi toàn bộ chuỗi quyết định lâm sàng trong chu kỳ IVF/ICSI, từ lựa chọn phôi đến theo dõi thai nhi tam cá nguyệt III. Giá trị đặc thù của AI trong bối cảnh này nằm ở khả năng khai thác tính liên tục dữ liệu vốn có của thai kỳ IVF, hình ảnh phôi, nội tiết, di truyền và siêu âm để xây dựng các mô hình theo dõi dọc mà thai kỳ tự nhiên không có được.

Bằng chứng hiện tại ủng hộ mạnh nhất vai trò AI trong xếp hạng và lựa chọn phôi, với dữ liệu đến cấp độ RCT và trong sàng lọc lệch bội. Các ứng dụng khác như đánh giá nội mạc tử cung, theo dõi thai sớm, siêu âm thai nhi đang ở giai đoạn nghiên cứu và cần thêm xác thực tiền cứu đa trung tâm, đặc biệt tại các quần thể ngoài phương Tây.

AI nên được xem là đối tác hỗ trợ thông minh cho chuyên viên phôi học và bác sĩ sản khoa, không thay thế phán đoán lâm sàng, mà bổ sung năng lực chuyên môn bằng phân tích dữ liệu chính xác, nhất quán và có thể kiểm chứng.

 

 

  1. Khosravi P, Kazemi E, Zhan Q, Malmsten JE, Toschi M, Zisimopoulos P, Sigaras A, Lavery S, Cooper LAD, Hickman C, Meseguer M, Rosenwaks Z, Elemento O, Zaninovic N, Hajirasouliha I. Deep learning enables robust assessment and selection of human blastocysts after in vitro fertilization. NPJ Digit Med. 2019 Apr 4;2:21. doi: 10.1038/s41746-019-0096-y. PMID: 31304368; PMCID: PMC6550169.
  1. Bormann CL, Kanakasabapathy MK, Thirumalaraju P, Gupta R, Pooniwala R, Kandula H, Hariton E, Souter I, Dimitriadis I, Ramirez LB, Curchoe CL, Swain J, Boehnlein LM, Shafiee H. Performance of a deep learning based neural network in the selection of human blastocysts for implantation. Elife. 2020 Sep 15;9:e55301. doi: 10.7554/eLife.55301. PMID: 32930094; PMCID: PMC7527234.
  1. Loewke K, Cho JH, Brumar CD, Maeder-York P, Barash O, Malmsten JE, Zaninovic N, Sakkas D, Miller KA, Levy M, VerMilyea MD. Characterization of an artificial intelligence model for ranking static images of blastocyst stage embryos. Fertil Steril. 2022 Mar;117(3):528-535. doi: 10.1016/j.fertnstert.2021.11.022. Epub 2022 Jan 5. PMID: 34998577.
  1. Tran D, Cooke S, Illingworth PJ, Gardner DK. Deep learning as a predictive tool for fetal heart pregnancy following time-lapse incubation and blastocyst transfer. Hum Reprod. 2019 Jun 4;34(6):1011-1018. doi: 10.1093/humrep/dez064. PMID: 31111884; PMCID: PMC6554189.
  1. Berntsen J, Rimestad J, Lassen JT, Tran D, Kragh MF. Robust and generalizable embryo selection based on artificial intelligence and time-lapse image sequences. PLoS One. 2022 Feb 2;17(2):e0262661. doi: 10.1371/journal.pone.0262661. PMID: 35108306; PMCID: PMC8809568.
  1. Curchoe CL. For whom the artificial intelligence bell tolls: preimplantation genetic testing for aneuploidy, does it toll for thee? Fertil Steril. 2022 Mar;117(3):536-538. doi: 10.1016/j.fertnstert.2022.01.005. Epub 2022 Jan 20. PMID: 35065795.
  1. Chavez-Badiola A, Flores-Saiffe-Farías A, Mendizabal-Ruiz G, Drakeley AJ, Cohen J. Embryo Ranking Intelligent Classification Algorithm (ERICA): artificial intelligence clinical assistant predicting embryo ploidy and implantation. Reprod Biomed Online. 2020 Oct;41(4):585-593. doi: 10.1016/j.rbmo.2020.07.003. Epub 2020 Jul 5. PMID: 32843306.
  1. Barnes J, Brendel M, Gao VR, Rajendran S, Kim J, Li Q, Malmsten JE, Sierra JT, Zisimopoulos P, Sigaras A, Khosravi P, Meseguer M, Zhan Q, Rosenwaks Z, Elemento O, Zaninovic N, Hajirasouliha I. A non-invasive artificial intelligence approach for the prediction of human blastocyst ploidy: a retrospective model development and validation study. Lancet Digit Health. 2023 Jan;5(1):e28-e40. doi: 10.1016/S2589-7500(22)00213-8. PMID: 36543475; PMCID: PMC10193126.
  1. Xin X, Wu S, Xu H, Ma Y, Bao N, Gao M, Han X, Gao S, Zhang S, Zhao X, Qi J, Zhang X, Tan J. Non-invasive prediction of human embryonic ploidy using artificial intelligence: a systematic review and meta-analysis. EClinicalMedicine. 2024 Oct 24;77:102897. doi: 10.1016/j.eclinm.2024.102897. PMID: 39513188; PMCID: PMC11541425.
  1. Wang S, Chen L, Sun H. Interpretable artificial intelligence-assisted embryo selection improved single-blastocyst transfer outcomes: a prospective cohort study. Reprod Biomed Online. 2023 Dec;47(6):103371. doi: 10.1016/j.rbmo.2023.103371. Epub 2023 Sep 1. PMID: 37839212.
  1. Illingworth PJ, Venetis C, Gardner DK, Nelson SM, Berntsen J, Larman MG, Agresta F, Ahitan S, Ahlström A, Cattrall F, Cooke S, Demmers K, Gabrielsen A, Hindkjær J, Kelley RL, Knight C, Lee L, Lahoud R, Mangat M, Park H, Price A, Trew G, Troest B, Vincent A, Wennerström S, Zujovic L, Hardarson T. Deep learning versus manual morphology-based embryo selection in IVF: a randomized, double-blind noninferiority trial. Nat Med. 2024 Nov;30(11):3114-3120. doi: 10.1038/s41591-024-03166-5. Epub 2024 Aug 9. PMID: 39122964; PMCID: PMC11564097.
  1. Hanassab S, Abbara A, Yeung AC, Voliotis M, Tsaneva-Atanasova K, Kelsey TW, Trew GH, Nelson SM, Heinis T, Dhillo WS. The prospect of artificial intelligence to personalize assisted reproductive technology. NPJ Digit Med. 2024 Mar 1;7(1):55. doi: 10.1038/s41746-024-01006-x. PMID: 38429464; PMCID: PMC10907618.
  1. Liu L, Jiao Y, Li X, Ouyang Y, Shi D. Machine learning algorithms to predict early pregnancy loss after in vitro fertilization-embryo transfer with fetal heart rate as a strong predictor. Comput Methods Programs Biomed. 2020 Nov;196:105624. doi: 10.1016/j.cmpb.2020.105624. Epub 2020 Jun 25. PMID: 32623348.
  1. Chen L, Mu F, Wang K, Wang F. Development of machine learning models for predicting early pregnancy outcomes based on β-hCG, progesterone, and estradiol. PLOS One. 2026;21(4):e0348114. doi: 10.1371/journal.pone.0348114
  1. Wang Y, Zhang Q, Yin C, Chen L, Yang Z, Jia S, Sun X, Bai Y, Han F, Yuan Z. Automated prediction of early spontaneous miscarriage based on the analyzing ultrasonographic gestational sac imaging by the convolutional neural network: a case-control and cohort study. BMC Pregnancy Childbirth. 2022 Aug 5;22(1):621. doi: 10.1186/s12884-022-04936-0. PMID: 35932003; PMCID: PMC9354356.
  1. Enache IA, Iovoaica-Rămescu C, Ciobanu ȘG, Berbecaru EIA, Vochin A, Băluță ID, Istrate-Ofițeru AM, Comănescu CM, Nagy RD, Iliescu DG. Artificial Intelligence in Obstetric Anomaly Scan: Heart and Brain. Life (Basel). 2024 Jan 23;14(2):166. doi: 10.3390/life14020166. PMID: 38398675; PMCID: PMC10890185.
  1. Rajendran S, Brendel M, Barnes J, Zhan Q, Malmsten JE, Zisimopoulos P, Sigaras A, Ofori-Atta K, Meseguer M, Miller KA, Hoffman D, Rosenwaks Z, Elemento O, Zaninovic N, Hajirasouliha I. Automatic ploidy prediction and quality assessment of human blastocysts using time-lapse imaging. Nat Commun. 2024 Sep 5;15(1):7756. doi: 10.1038/s41467-024-51823-7. PMID: 39237547.
  1. Ramirez Zegarra R, Ghi T. Use of artificial intelligence and deep learning in fetal ultrasound imaging. Ultrasound Obstet Gynecol. 2023 Aug;62(2):185-194. doi: 10.1002/uog.26130. Epub 2023 Jul 10. PMID: 36436205.
  1. Rieke, N., Hancox, J., Li, W. et al. The future of digital health with federated learning. npj Digit. Med. 3, 119 (2020). https://doi.org/10.1038/s41746-020-00323-1