人工智能在胚胎评估中的应用与进展2025 .docx

人工智能在胚胎评估中的应用与进展2025

人工智能(artificialintelligence,AI)技术的概念最早于20世纪50

年代被提出。随着计算机算法的进步和计算处理能力的提升，AI演变成一种能够进行多参数分析且无偏见的技术，深度学习(deeplearning,DL)和生成式AI等新技术的不断涌现，被广泛应用于不同类型和规模的数据分析、研究与决策，几乎涵盖和影响了所有的科学研究和产业应用领域，包括辅助生殖领域[1]。

胚胎质量评估是体外受精(invitrofertilization,IVF)实验室的重要环节之一，随着DL的快速发展，AI在处理和分析大量胚胎图像数据方面表现出了一定优势，能够有效减少人为因素的干扰，提高胚胎评估的客观性和效率[2-3]。准确评估胚胎质量不仅有效提高妊娠率，还对降低多胎妊娠及其相关风险有着重要意义。本文将总结AI在胚胎评估中的应用现状，并探讨未来的发展方向。

一.胚胎评估的传统方法及其局限性

传统形态学评估是目前胚胎质量评估的主要手段，胚胎学家在特定的发育时间点按照评级标准分别于原核期、卵裂期及囊胚期进行评估。虽然已挖掘一些有效的形态指标以预测妊娠结局，但胚胎图像质量、观察方法、个人经验均会影响评估的准确性及一致性，且对于同等级别胚胎如何优选尚

无统一标准。胚胎发育是一个连续、动态的过程，时差成像(time-lapse

imaging,TLI)技术在保证培养环境稳定的同时，能够动态监测胚胎的发育全过程，提供定性和定量参数的测量[4],但TLI能否改善持续妊娠率和活产率仍存在争议[5]。

形态学好的胚胎不一定具有较好的发育潜能，仅依赖形态学评分的囊胚植入率可能低于同等质量的整倍体胚胎。植入前非整倍体检测 (preimplantationgenetictestingforaneuploidy,PGT-A)被广泛应用，但一些多中心、大样本研究表明PGT-A作为一种操作复杂且对胚

胎发育有潜在负面影响的有创操作，可能仅对高龄或反复妊娠丢失等不孕人群有效[6-7]。而表观遗传学、转录组学、蛋白组学、代谢组学等因缺乏金标准，在胚胎评估方面的应用仍然受限[8]。

二.AI在胚胎评估中的应用现状

为建立标准化胚胎评估体系，胚胎学家们利用AI寻找隐藏特征，实现胚胎自动化特征标注，建立具有可解释性的智能化评估分析平台。已有多项临床研究表明，AI模型可用于形态学参数评估、胚胎分类与评级、整倍性及胚胎发育潜能等方面的预测，为胚胎学家提供数据决策支持。

1.AI对胚胎形态学参数的识别与评估：胚胎的形态学参数包括原核数量、卵裂球数量、碎片比例、囊胚扩张程度、内细胞团和滋养层细胞数目及排

列的紧密程度等，这些参数与胚胎的质量评级、整倍性及发育潜能密切相

关，对优选高质量胚胎至关重要。

Zhao等[9]利用AI中的卷积神经网络(convolutionalneuralnetwork,CNN)对TLI观察的人类原核期胚胎的重要特征(如透明带、细胞质和原核)进行自动分割，其分割精度分别达到：细胞质97%,原核84%,透明带约为80%。该结果与其他文献报道相比，具有较高的再现性和一致性[10-12]。SantosFilho等[13]利用水平集、相位一致性和椭圆拟合算法对显微镜拍摄的囊胚图像进行透明带、滋养层和内细胞团的边界分割，开发了第一个半自动囊胚分析系统在73个囊胚测试集上，最高准确率可达到0.92。Rad等[14]通过训练AI模型，滋养层分割准确率可达96.9%,较同类模型高10.3%。Hu等[15]基于囊胚图片建立的AI模型(SA-Net模型),可完整分割囊胚腔、内细胞团、滋养层、透明带及背景，实现了囊胚功能区域的精细划分。对于卵裂期胚胎的识别，众多研究使用了不同模型，在区分1-细胞、2-细胞、3-细胞和≥4-细胞阶段已能达到较高的准确率(92%)[16-18]。但当分裂期胚胎细胞数增加到5个以上时，如Leahy等[19]评估5~8-细胞阶段的图像，因细胞重叠或碎片遮挡导致准确率仅有66.9%,显著低于人工标注的准确率(94.6%);此外，可能源于无法准确区分碎片和体积较小的卵裂球，碎片评估准确率仅有88.9%。

AI依靠强大的计算能力、基于CNN/Transformer等DL神经网络模型

和大量的数据集，可以较为快速、准确地识别胚胎图像，提供可解释的形