本次介绍的这篇论文聚焦人工智能在胚胎发育与早期妊娠丢失关联研究中的应用，通过 AI 标注 11 个生物学动力学事件，对法国和西班牙 13 个中心 2017-2022 年间的 37717 个胚胎进行多中心回顾性分析，探究胚胎动力学与妊娠结局的关联。这项研究为识别易发生早期妊娠丢失的胚胎提供了新依据，对提升辅助生殖技术效率和精准度具有重要意义。
Gidel-Dissler N, Roque T, Canat G, Angelard B, Vandame J, Boussommier-Calleja A. Association between embryo development and early pregnancy loss revealed by artificial-intelligence-annotated kinetic events. Reprod Biomed Online. 2024 Oct 20;51(3):104493. doi: 10.1016/j.rbmo.2024.104493.Epub ahead of print.
研究背景
在辅助生殖技术中，胚胎质量评估对妊娠成功至关重要，但传统方式有明显局限。胚胎学家依赖人工观察 time-lapse 系统（TLS）记录的发育过程，聚焦少数已知动力学事件筛选胚胎，不仅样本量多不足 500 个，还因观察者差异存在主观性。深度学习算法虽有应用，却因复杂架构成 “黑箱” 模型，难解释结果，且对轻微视觉变化敏感、稳定性不足。更关键的是，以往研究多仅对比未妊娠与妊娠胚胎，无法识别能早期妊娠却易丢失的胚胎，可能导致无效移植，浪费资源并给患者带来负担，因此开发自动、精准且能清晰揭示胚胎发育与妊娠结局关联的透明化模型十分迫切。
研究方法
为解决上述问题，研究团队开展了一项多中心回顾性分析，其研究方法涵盖数据收集、模型构建与验证、统计分析等多个环节。在数据收集方面，研究纳入了 2017 至 2022 年间法国和西班牙 13 个临床中心的 37717 个胚胎，这些胚胎来自 7028 个取卵周期，由三种主流 TLS 设备记录，包括 Embryoscope或Embryoscope+，GERI，MIRI。为确保研究的严谨性，团队将数据分为两个核心数据集：Dataset A 包含 9606 个已知着床数据（KID）的胚胎，用于分析胚胎动力学与妊娠结局的关联；Dataset B 包含 11361 个胚胎（涵盖丢弃、冷冻和移植的胚胎），用于验证后续开发的人工智能模型的临床实用性。
在模型构建上，研究团队开发了名为 Biological Events Extraction（BEE）的计算机视觉模型，该模型通过 1909 个胚胎视频（含 14696 个人工标注的生物学事件）训练而成，能够自动识别胚胎发育的 11 个关键动力学事件，包括从 2 细胞到 8 细胞的卵裂时间（t2-t8）、桑葚胚形成时间（tM）、囊胚形成起始时间（tSB）和囊胚完全形成时间（tB）等，其对各事件识别的 F1 分数在 46%（t8）至 93%（t2）之间，加权平均达 66%，可适配不同 TLS 设备，有效解决了人工标注的标准化问题。
统计分析方面，研究采用单因素和多因素逻辑回归，分析了 45 个胚胎发育阶段（如 t5-t2、tB-tSB 等）与妊娠结局（未早期妊娠、早期妊娠、早期妊娠丢失、临床妊娠）的关联，其中多因素分析还纳入了卵母细胞年龄、体质量指数（BMI）等临床参数，以排除母体因素的干扰，且将 P≤0.05 作为结果具有显著性的判断标准。
研究结果
研究通过对大量数据的分析，揭示了胚胎发育动力学与不同妊娠结局之间的清晰关联。首先，整体发育速度更快的胚胎更易实现早期妊娠，数据显示，早期妊娠胚胎从2细胞到囊胚形成（tB-t2）的平均时间为 77.18±8.33 小时，显著短于未早期妊娠胚胎的 80.34±8.76 小时（P<0.001）。
其次，能发育为临床妊娠的胚胎呈现出 “卵裂减速、囊胚加速” 的平衡发育模式：在卵裂阶段（从 5 细胞到囊胚形成起始，tSB-t5）平均耗时 46.05±13.60 小时，相对较慢；而在囊胚形成阶段（从囊胚起始到完全形成，tB-tSB）平均仅需 9.81±5.04 小时，速度较快。
与之相反，发生早期妊娠丢失的胚胎则表现出 “卵裂过快、囊胚过慢” 的失衡模式：其卵裂阶段（tSB-t5）平均耗时 41.60±17.08 小时，显著快于临床妊娠胚胎；囊胚形成阶段（tB-tSB）平均耗时 12.73±5.69 小时，显著慢于临床妊娠胚胎（均 P<0.001）。
此外，基于上述发现开发的 AI 警报系统在临床测试中表现出实用价值，在 Dataset B 中，系统对 30% 的胚胎发出警报，其中 71% 已被胚胎学家提前丢弃；对于移植的胚胎，警报胚胎中 78% 未实现临床妊娠，显著高于无警报胚胎的 65%。
创新之处
该研究在辅助生殖领域展现出多方面的创新。其一，首次聚焦早期妊娠丢失这一关键问题，以往研究多仅关注胚胎能否妊娠，而本研究深入区分了早期妊娠与早期妊娠丢失的胚胎，揭示了更精细的发育规律，为精准筛选胚胎提供了新的视角。其二，实现了大规模胚胎发育阶段的自动标注，通过 BEE 模型处理 9606 个 KID 胚胎，覆盖 45 个发育阶段，远超传统研究的样本量和分析维度，且减少了人工标注的主观性和差异。其三，构建了透明化的预测模型，不同于 “黑箱” 式的深度学习模型，该模型基于明确的动力学事件（如 tSB-t5、tB-tSB）做出判断，其决策逻辑清晰可解释，更易获得临床信任。
研究局限
尽管研究取得了显著成果，但仍存在一些局限。首先，由于晚期妊娠丢失（胎心确认后丢失）的样本量不足，研究无法分析胚胎动力学与活产之间的直接关联，难以明确临床妊娠与活产在胚胎发育特征上的差异。其次，不同 TLS 设备的成像特点可能对结果产生影响，当单独分析某一设备的数据时，因样本量减少，部分结果的显著性消失，需要更大样本量来验证模型在多设备间的稳定性。此外，AI 警报系统的性能仍有提升空间，其在移植胚胎中的 AUC 值为 0.60，虽符合领域平均水平，但距离理想的精准预测还有差距。
临床意义及展望
本研究构建的人工智能胚胎动力学分析系统为辅助生殖临床实践提供了突破性工具：基于BEE模型实现的11个发育事件自动化标注显著提升了评估效率，同时通过识别”卵裂加速（tSB-t5<42小时）与囊胚延迟（tB-tSB>12小时）”的高危组合特征，可精准筛查78%的早期流产风险胚胎，有效降低无效移植率；而揭示的”卵裂期减速（tSB-t5≈46小时）-囊胚期加速（tB-tSB≈10小时）”平衡发育规律，为胚胎优选建立了客观量化标准。未来需进一步验证算法在不同培养设备中的普适性，探索动力学特征与活产率的直接关联，并推动AI预警系统与临床决策流程的深度整合，从而完善精准生殖医学实践路径。