Nội dung chính

  1. Đặt vấn đề

Trong thụ tinh trong ống nghiệm (TTTON) , nhiều quyết định quan trọng như đánh giá chất lượng giao tử, lựa chọn phôi và dự đoán kết quả điều trị vẫn phụ thuộc một phần vào kinh nghiệm và nhận định của nhân viên y tế. Sự phát triển của trí tuệ nhân tạo (Artificial Intelligence – AI) mở ra tiềm năng phân tích dữ liệu hình ảnh, đặc điểm sinh học và thông tin lâm sàng, qua đó hỗ trợ chuẩn hóa quy trình đánh giá và cá thể hóa quá trình điều trị [1].

Các mô hình AI đã được nghiên cứu trong nhiều giai đoạn của quy trình TTTON, đặc biệt là lựa chọn tinh trùng, đánh giá noãn, lựa chọn phôi và dự đoán kết quả sinh sản. Tuy nhiên, khả năng dự đoán của thuật toán không đồng nghĩa với việc hiệu quả lâm sàng đã được chứng minh. Do đó, bài viết này tổng hợp những ứng dụng nổi bật của AI trong TTTON, đồng thời thảo luận các giới hạn bằng chứng và những thách thức cần xem xét trước khi triển khai trong thực hành thường quy [1,2]

  1. Các hướng ứng dụng AI trong TTTON

AI bao gồm các phương pháp cho phép hệ thống máy tính phân tích dữ liệu, nhận diện đặc điểm, phân loại và dự đoán kết quả. Trong đó, mô hình học máy (Machine Learning – ML) sử dụng dữ liệu để xây dựng mô hình dự đoán hoặc phân loại, còn học sâu (Deep Learning – DL)[HE2]  là một nhánh của ML, ứng dụng mạng nơ-ron nhiều lớp để xử lý dữ liệu phức tạp, đặc biệt là hình ảnh và video. Trong TTTON, các công nghệ này đang được nghiên cứu nhằm hỗ trợ đánh giá giao tử, phôi và các quyết định liên quan đến dự đoán kết quả điều trị [1,2].

            Đánh giá và lựa chọn giao tử

Trong kỹ thuật tiêm tinh trùng vào bào tương noãn (Intracytoplasmic Sperm Injection – ICSI), việc lựa chọn tinh trùng chủ yếu dựa trên hình thái và khả năng di động được quan sát trực tiếp bởi chuyên viên phôi học. Các hệ thống AI có thể hỗ trợ phân tích đặc điểm chuyển động của từng tinh trùng, giúp giảm sự khác biệt trong đánh giá. Carrión-Sisternas và cộng sự (2025) khảo sát 102 cặp vợ chồng với 628 noãn trưởng thành, sử dụng phần mềm Sperm ID (SiD™) để phân loại tinh trùng dựa trên các thông số động học. Nhìn chung, kết quả thụ tinh và phát triển phôi nang tương đương giữa các nhóm chất lượng tinh trùng. Tuy nhiên, ở nhóm sử dụng noãn tự thân, tinh trùng được AI xếp loại tốt nhất có tỷ lệ tạo phôi nang cao hơn nhóm xếp loại thấp nhất (67,47% so với 41,67%; p < 0,05), trong khi không ghi nhận khác biệt tương tự ở nhóm sử dụng noãn hiến tặng [3]. Đáng chú ý, nghiên cứu không ghi nhận sự khác biệt có ý nghĩa thống kê về chất lượng phôi hoặc tỷ lệ phôi nguyên bội giữa các nhóm tinh trùng. Kết quả cho thấy AI có tiềm năng hỗ trợ chuẩn hóa quy trình đánh giá tinh trùng, đồng thời mối liên hệ giữa đặc điểm tinh trùng và khả năng phát triển của phôi có thể thay đổi tùy thuộc vào chất lượng noãn [3].

Đối với noãn, AI được nghiên cứu để phân tích hình ảnh, nhận diện đặc điểm hình thái và dự đoán tiềm năng phát triển. Trong nghiên cứu của Vitushynska và cộng sự (2025) , noãn được đông lạnh sau khi lựa chọn bởi AI và nhóm chuyên viên phôi học nhằm so sánh hiệu quả. Sau rã đông, nhóm AI có tỷ lệ sống sót cao hơn (99,6% so với 89,21%), tỷ lệ thụ tinh cao hơn (92,56% so với 83,24%) và tỷ lệ phôi tốt ngày 3 cao hơn (78,44% so với 54,62%). Tỷ lệ thoái hóa sau ICSI cũng thấp hơn ở nhóm AI (0,84% so với 8,21%). Đồng thời, tỷ lệ phôi nang sử dụng được, phôi nang chất lượng cao (AA, AB) và tỷ lệ thai lâm sàng từ các chu kỳ sử dụng noãn hiến tặng ở nhóm AI cũng cao hơn so với nhóm chuyên viên phôi học đánh giá [4]. Tuy nhiên, hiệu quả lâm sàng của AI trong lựa chọn noãn vẫn cần được kiểm chứng thêm bằng các kết cục lâm sàng [1,5].

        Lựa chọn phôi và dự đoán kết quả

Đánh giá hình thái phôi là bước quan trọng trong lựa chọn phôi chuyển, nhưng kết quả có thể khác nhau giữa những người quan sát. Các mô hình AI được phát triển nhằm phân tích hình ảnh phôi và hỗ trợ xếp hạng phôi một cách nhất quán hơn. Trong nghiên cứu đoàn hệ tiến cứu trên 250 chu kỳ chuyển đơn phôi nang tươi, Wang và cộng sự (2023) ghi nhận tỷ lệ làm tổ ở nhóm lựa chọn phôi có hỗ trợ AI cao hơn nhóm đánh giá theo hệ thống Gardner (80,87% so với 68,15%; p = 0,022). Tuy nhiên, nghiên cứu chưa ghi nhận khác biệt có ý nghĩa thống kê về tỷ lệ trẻ sinh sống, sẩy thai hoặc các kết cục sơ sinh giữa hai nhóm [6]. Do đó, kết quả bước đầu cho thấy tiềm năng của AI trong hỗ trợ lựa chọn phôi, nhưng chưa đủ để khẳng định lợi ích đối với kết cục sinh sản cuối cùng.

Bên cạnh việc lựa chọn phôi, AI còn được nghiên cứu để dự đoán nguy cơ sẩy thai. Chavez-Badiola và cộng sự (2024) sử dụng hình ảnh tĩnh của 172 phôi nang từ các chu kỳ chuyển đơn phôi đã có kết quả thử thai sinh hóa dương tính. Kết quả cho thấy tỷ lệ sẩy thai ở nhóm phôi được AI xếp hạng tốt thấp hơn nhóm được xếp hạng kém (16,1% so với 25%), với độ chính xác phân loại 67,4% [7]. Tuy nhiên, đây là nghiên cứu hồi cứu với cỡ mẫu hạn chế, do đó cần được đánh giá trên các quần thể độc lập để xác nhận giá trị dự đoán của mô hình trước khi xem xét ứng dụng trong tư vấn nguy cơ cho bệnh nhân.

Ngoài phân tích hình ảnh, AI cũng được nghiên cứu trong hỗ trợ diễn giải dữ liệu di truyền của phôi. Cần phân biệt giữa mô hình dự đoán tình trạng nhiễm sắc thể từ hình ảnh phôi và mô hình hỗ trợ phân tích dữ liệu xét nghiệm di truyền tiền làm tổ cho lệch bội nhiễm sắc thể (Preimplantation Genetic Testing for Aneuploidy – PGT-A), bởi đây là hai ứng dụng khác nhau. Hiện tại, AI chưa thể được xem là phương pháp thay thế PGT-A trong xác định tình trạng nhiễm sắc thể của phôi [1,2].

  1. Những thách thức khi ứng dụng AI

Mặc dù nhiều mô hình AI cho thấy khả năng hỗ trợ đánh giá giao tử và phôi, bằng chứng về lợi ích lâm sàng vẫn còn hạn chế. Phần lớn nghiên cứu được thực hiện tại một trung tâm, sử dụng dữ liệu hồi cứu hoặc có cỡ mẫu tương đối nhỏ. Sự khác biệt về đặc điểm bệnh nhân, quy trình labo, hệ thống nuôi cấy và phương pháp xây dựng thuật toán cũng ảnh hưởng đến khả năng áp dụng kết quả giữa các trung tâm. Đặc biệt, độ chính xác dự đoán hoặc sự cải thiện các chỉ số trung gian như tỷ lệ làm tổ chưa đủ để khẳng định AI làm tăng tỷ lệ trẻ sinh sống. Do đó, các mô hình này cần được kiểm định trên dữ liệu độc lập và đánh giá trong những nghiên cứu lâm sàng có thiết kế phù hợp hơn [1,2,8].

Một thách thức khác là khả năng diễn giải kết quả được thực hiện bởi thuật toán. Nhiều mô hình DL hoạt động như một “hộp đen” (black box) chỉ đưa ra kết quả cuối cùng, khiến nhân viên y tế khó xác định những đặc điểm nào đã ảnh hưởng đến kết quả dự đoán. Bên cạnh đó, mô hình được huấn luyện trên dữ liệu chưa được chuẩn hóa có thể đưa ra kết quả kém chính xác khi áp dụng cho nhiều nhóm bệnh nhân hoặc tại trung tâm khác [2,8]. Vì vậy, tính minh bạch, khả năng khái quát hóa và việc theo dõi hiệu năng sau triển khai là những yêu cầu quan trọng để hạn chế sai sót trong thực hành lâm sàng.

Việc tích hợp AI còn đặt ra các vấn đề về bảo mật thông tin bệnh nhân, quản trị dữ liệu và trách nhiệm chuyên môn khi sử dụng kết quả dự đoán. Các quyết định liên quan đến lựa chọn giao tử, phôi và chiến lược điều trị cần được xem xét cùng với thông tin lâm sàng và đánh giá của nhân viên y tế, thay vì phụ thuộc hoàn toàn vào thuật toán. Theo đó, AI nên được phát triển như một công cụ hỗ trợ quyết định, với hiệu quả và tính an toàn được đánh giá trước khi triển khai thường quy [1,8]

Ngoài ra, AI còn có tiềm năng hỗ trợ cá thể hóa chiến lược điều trị thông qua việc kết hợp các đặc điểm lâm sàng và dữ liệu từ những chu kỳ trước. Hanassab và cộng sự (2024) tổng hợp các hướng ứng dụng AI trong dự đoán đáp ứng kích thích buồng trứng, hỗ trợ lựa chọn phác đồ và tối ưu hóa các quyết định trong quá trình điều trị hỗ trợ sinh sản. Tuy nhiên, phần lớn các ứng dụng này vẫn cần được kiểm định thêm về hiệu quả và khả năng áp dụng trong thực hành lâm sàng [9].

  1. Kết luận

AI có tiềm năng hỗ trợ chuẩn hóa đánh giá giao tử, phôi và phân tích dữ liệu trong TTTON. Tuy nhiên, bằng chứng cải thiện tỷ lệ trẻ sinh sống và tính an toàn khi áp dụng thường quy vẫn còn hạn chế. Việc triển khai cần dựa trên thẩm định độc lập, minh bạch về giới hạn của thuật toán, bảo mật dữ liệu và sự giám sát của nhân viên y tế. AI nên là công cụ hỗ trợ quyết định, không thay thế trách nhiệm chuyên môn.

 

 

  1. Hu X, Chen Z, Luo H. AI-enabled precision reproductive medicine: a comprehensive review of clinical applications, decision frameworks, and evidence-based implementation. J Assist Reprod Genet. 2026;43(8):2365-2386.
  2. Garg A, Seifer DB. The potential, perils and pitfalls of Artificial intelligence (AI) in Assisted Reproductive Technologies (ART). Reprod Biol Endocrinol. 2026;24(1):36.
  3. Carrión-Sisternas L, Viloria T, Martin E và cs. Automated AI for real-time sperm selection in ICSI: reducing variability and studying the role of sperm in embryo development. Reprod Biol Endocrinol. 2025;23(1):155.
  4. Vitushynska M, Aydin B, Hudkova D và cs. O-145 Oocyte selection through artificial intelligence: A novel predictive model to support clinical decision-making and improve IVF outcomes. Hum Reprod. 2025;40(Suppl 1):deaf097.145.
  5. Zhang Q, Liang X, Chen Z. A review of artificial intelligence applications in in vitro fertilization. J Assist Reprod Genet. 2025;42(1):3-14.
  6. 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;47(6):103371.
  7. Chavez-Badiola A, Flores-Saiffe Farías A và cs. Use of artificial intelligence embryo selection based on static images to predict first-trimester pregnancy loss. Reprod Biomed Online. 2024;49(2):103934.
  8. Gao Y, Yuan Y, Wang K và cs. Current progress and open challenges for applying artificial intelligence across the in vitro fertilization cycle. Patterns (N Y). 2025;6(11):101347.
  9. Hanassab S, Abbara A, Yeung AC và cs. The prospect of artificial intelligence to personalize assisted reproductive technology. NPJ Digit Med. 2024;7(1):55.