前篇文章介紹了人工智慧（AI）在試管嬰兒領域相關的應用層面，本篇將分享 AI 以胚胎照片預測試管嬰兒成功率的應用與送子鳥生殖中心的研究結果。
選擇優質的胚胎進行植入是試管嬰兒成功與否的關鍵因素之一。傳統的胚胎評級方法主要依賴胚胎師藉顯微鏡觀察進行，但此方式的精準度往往受限於主觀性和其他人為產生的不確定性。近年來，隨著圖像、影像分析與辨識技術的進步輔以人工智慧深度學習的發展，多家研究機構皆已著手開發自己的 AI 懷孕率預測模型。
2022 年發表於 Fertility and Sterility 的一篇論文對多個生殖中心的數據進行回顧和分析，結果顯示：
AI 模型的 AUC 值在 0.6 到 0.7 之間（表一），這些結果表明 AI 模型在胚胎評分方面具有潛在的優勢，有助於提高臨床懷孕率。
研究人員也對 AI 如何評分進行了研究，將胚胎依 AI 評分高低進行區分觀察（圖一）。結果顯示：排名靠前的胚胎多數是完全擴張的囊胚，內細胞團（ICM）緊密且清晰，滋養層細胞（TE）對稱且大部分清晰，呈現鵝卵石或扇貝狀圖案。與人眼評分的認知相同，猜測 AI 針對細節的觀察更深入，評級更精確。不過須注意的是照片的焦平面需精準對焦在 ICM 及 TE，避免 AI 誤判。
另外也觀察到，多數 AI 評分較高的胚胎照片，AI 關注區域落在 ICM 及 TE（圖二左，藍色處）；評分較低的胚胎照片，關注區域則落在碎片及細胞凝聚等特徵（圖二右，藍色處）。
通過比較 AI 分數與懷孕率之間的關係（校正曲線），可以觀察到不同 AI 分數對懷孕率的影響。顯示在 AI 分數級距為 0.2、0.1 的時候懷孕率隨著 AI 分數的增加呈現增加的趨勢（圖三左、中）。若將分數級距細切到 0.05，AI 分數之間的微小差異可能不再明確地反映在懷孕率上（圖三右上、右下）。
送子鳥生殖中心也已著手開發預測懷孕率的 AI 模型。圖四展示了一個簡易的模型開發示意圖，為了提高模型預測的精準度，除了使用解凍後的胚胎照片外，還加入了冷凍前的胚胎照片和臨床資料。這些臨床資料包括：植入時年齡、取卵時年齡、人工胚胎評分等級、ERA 結果、AMH 數值、植入時子宮內膜厚度等等。AI 模型使用了 ResNet CNN 和圖像嵌入（Image embedding）處理照片資料，並且使用了梯度提升機（Gradient Boosting Machine）機器學習算法整合臨床資料。目前，這個預測懷孕率的 AI 模型的 AUC 為 0.79。
結合送子鳥生殖中心院內研究與本篇論文的結果顯示，AI 技術雖然仍面臨影像品質、常見偏誤和分數細微度等問題需要改善。然而，這些研究成果為未來進一步的研究和臨床應用提供了重要的參考。這些成果有助於提高輔助生殖技術的成功率和患者的懷孕結果。同時，這些成果也對推動人工智慧在生殖醫學領域的應用和發展具有重要的價值和意義。
參考資料：
Loewke, K.，Chou, J. H.，Bormann, C. D.，Miao-Yong, P.，et al.(2022)。
Characterization of AI for embryo ranking。Fertility and Sterility，117(3)，528-530。
