本次介绍的这篇论文针对体外受精-胚胎移植中卵巢刺激方案选择依赖经验的临床难题，构建了人工智能驱动的决策支持系统。研究通过自适应组合算法筛选关键特征，建立基于hCG日四项核心指标的妊娠分级体系，采用迭代随机森林实现个体化方案推荐。该研究将AI应用从胚胎筛选拓展至IVF-ET上游决策，构建疗效-经济-时间三维优化框架，并开发了可对接电子病历的临床工具。然而，单中心设计限制外部有效性，算法整合种类有限且未纳入全部个体化因素。
Wen L, Wu D, Ruan J, Wang R, Long R, Chen R, Hu C, Tian C, Zhang Y, Pan W, Jin L, Liao S. Artificial intelligence-driven precision treatment of reproductive medicine-related diseases: the optimal protocol choice for IVF-ET. J Adv Res. 2025 Oct 23:S2090-1232(25)00835-5. doi: 10.1016/j.jare.2025.10.040. Epub ahead of print. PMID: 41139020.
一、研究背景
体外受精-胚胎移植技术（IVF-ET）虽然已帮助全球超过1200万婴儿诞生，但当前治疗仍存在成功率不高、不同患者效果差异大的问题。促排卵（OS）作为试管婴儿流程中最早也是最能调整的关键环节，直接决定取卵数量、胚胎质量和子宫内膜状态，对最终能否成功怀孕影响重大。目前临床主要有两种用药方案：长方案与拮抗剂方案，后者被欧洲生殖医学权威推荐用于多囊卵巢患者或卵巢反应正常人群。然而有研究指出拮抗剂方案的持续妊娠率可能稍低，究竟哪种方案适合哪些人，医学界还没有明确标准。现有的人工智能研究大多集中在胚胎挑选等后期步骤，对于如何选择促排卵方案这个重要决策，缺乏统一、因人而异的智能辅助工具，医生主要凭经验决定，迫切需要基于数据的个性化推荐系统来提高成功率和推动精准医疗。
二、实验方法
本研究采用回顾性与前瞻性结合的队列设计，共纳入17,791名接受体外受精治疗的患者。研究团队收集了每位患者从初诊到治疗结束的全部临床信息，包括年龄、身高体重、卵巢储备功能（如AMH、基础卵泡数）等个人特征，实际采用的七种卵巢刺激方案，以及hCG日激素水平和最终妊娠结局。
模型构建分为三个依次递进的步骤：第一步，系统自动组合三种机器学习算法（随机森林、XGBoost和SOIL），自动评估27项临床指标的重要性，从中筛选出五个最关键因素——hCG日孕酮、获卵数、雌激素、内膜厚度和患者年龄；第二步，基于这四项hCG日核心指标建立四级妊娠分级体系，将妊娠概率从低到高分为四档（I级7%到IV级55%）；第三步，核心预测模型根据患者治疗前的基线数据，模拟其在不同刺激方案下的激素反应和获卵情况，通过反复优化比较，选择能使这四项指标进入预设最佳范围、妊娠分级最高的方案作为最终推荐。为确保结果可靠，所有模型都经过100次交叉验证，并在新患者数据上测试了实际预测效果。
三、实验结果
核心特征筛选与体系构建基础：通过ACA-FI自适应组合算法对17,791例患者数据中的27项临床特征进行深度分析，研究成功识别出5个对IVF-ET妊娠结局具有决定性影响的关键因素。其中hCG日孕酮（P）、获卵数（NOR）、雌二醇（E2）、子宫内膜厚度（EMT）及患者年龄的预测重要性得分均大于0.5，显著高于其他变量。特别值得注意的是，整个治疗流程中hCG日监测环节的特征重要性得分高达0.658，表明该时点的激素与超声指标是评估周期质量的核心窗口。相比之下，不孕类型、病因分类及治疗周期数等因素对结局影响微弱，这为简化临床决策提供了重要依据。
妊娠分级体系的构建与验证：基于上述四项hCG日可干预指标（P、NOR、E2、EMT），研究构建了一个创新的四级妊娠分级系统。该体系将患者妊娠概率从低到高分为：I级（总分4-10分，妊娠率7%）、II级（11-12分，妊娠率24%）、III级（13-14分，妊娠率44%）和IV级（15-16分，妊娠率55%），各级别间差异具有显著的临床意义。为验证该体系的实用性，研究团队对1,438例有活产结局记录的亚组进行分析，结果显示妊娠分级与活产率呈显著正相关（p<0.001），证实该体系不仅能预测临床妊娠，更能有效反映最终活产潜能，为临床医生提供了可靠的标准化评估工具。
模型预测性能的严格验证：在模型准确性评估方面，迭代随机森林（IRF）算法展现出卓越表现。对比梯度提升机（GBM）的传统方法，IRF对四项核心指标的预测精度全面领先，且经过100次10折交叉验证，其预测误差保持稳定，证实模型不会因数据波动而失准。在前瞻性验证队列（4,251例）中，CDSS推荐方案使临床妊娠率从医生原始方案的0.452显著提升至0.512（p<0.001），其中80%患者的妊娠分级改善至最优IV级。更关键的是，即使在调整年龄、BMI、AMH等混杂因素后，OS方案选择仍是妊娠结局的独立影响因素——拮抗剂方案调整OR值为0.775（p<0.001），超长方案为1.563（p<0.001），这充分证明CDSS推荐的稳健性与临床价值。
四、研究创新和局限
这项研究的创新主要体现在三个方面：首先，它突破了传统AI仅用于胚胎挑选的局限，将智能决策延伸到促排卵方案选择这个前端环节，构建起从数据分析到方案推荐的完整系统。通过组合多种AI算法并反复优化，确保推荐结果准确可靠。其次，研究不再只关注怀孕成功率，而是综合考虑治疗安全性和时间效率，建立了更全面的评估标准。最重要的是，这套系统能直接连接医院电子病历，自动读取患者信息并给出建议，但最终决定权仍在医生手中。
研究也存在一些不足：一是单中心设计，虽然样本量很大，但可能受单中心诊疗规范、患者特征影响，外部有效性需多中心验证；第二，目前只整合了三种AI算法，种类还不够丰富，可能会限制模型的表现；第三，系统考虑的因素还不够全面，比如患者之前的治疗反应、心理压力等个性化因素都没有纳入分析，也没有涉及试管婴儿其他重要环节（比如胚胎移植时机）的优化，整体推荐的完整性还有提升空间。
五、研究价值及展望
本研究为生殖医学医生提供了标准化的促排卵决策工具，既能帮助年轻医生快速积累经验，又能为高流量中心实现个体化精准推荐，有效提升妊娠率与患者满意度。其创建的妊娠分级体系为疗效评估提供了统一标尺，而ACA-FI算法框架的模块化设计更展现出跨病种、跨科室的迁移潜力，为其他临床决策系统的开发提供了新方法学参考。未来，该系统有望在多中心协作中持续迭代，通过引入更多算法与临床变量实现全流程优化；长远来看，其不仅能推动生殖医学指南的标准化更新，还可为医保政策制定提供循证依据，最终促进辅助生殖技术的同质化与高质量发展。