來自康奈爾大學 (Weill Cornell Medicine) 的 研究人員 開發了一種由 AI 提供支持的模型，該模型可以幫助接受體外受精 (IVF) 的伴侶，并指導他們選擇健康的植入物。這項研究最近發表在 《自然通訊》(Nature Communications) 上，介紹了囊囊腫評估學習算法 (Blastocyst Evaluation Learning Algorithm, BELA)。這種先進的深度學習模型使用延時成像數據和孕齡來評估胎質量和染色體健康狀況。
通過為標準基因測試 (即非整倍體植入前基因測試 (PGT-A)) 提供非侵入性且經濟高效的補充，BELA 可以簡化胚胎選擇并降低家庭成本。
自 1978 年推出以來，IVF 已成功接生 800 多萬例，為全球面臨不育問題的個人和伴侶提供解決方案。選擇胚胎是此過程中的關鍵步驟，會顯著影響孕育成功率。傳統方法 (例如 PGT-A) 需要細胞提取來進行染色體分析，這可能會對胚胎的存活造成巨大的成本和風險。
研究人員開發了 BELA，可自動執行胎兒評估過程。通過分析經過 5 天開發收集的延時成像數據，并結合孕齡，AI 驅動的模型預測了胚胎的染色體健康狀況，并按質量對胚胎進行排序。時間和速度是胚胎存活的關鍵指標，也是模型分析的核心。
BELA 在康奈爾大學的高性能 BioHPC 計算集群上接受訓練，該集群使用 NVIDIA A40 GPUs 和包含 2800 多個形延時序列的各種數據集，捕捉了細胞的發展階段。該基礎架構實現了高效的數據處理，平均訓練時間僅為 5.23 分鐘，每次預測發的發時間約為 30 秒。
圖 1、STORK-V 是一種臨床工具，它使用自動化來幫助 embryologists 對 embryos 進行全面評估 (來源： Rajendran, S., Brendel, M., Barnes, J.?et al.)
為了使模型在臨床環境中可用，該團隊還開發了 STORK-V，這是一個由 BELA 提供支持的基于 Web 的平臺。Embroloyigsts 上傳時間差成像數據，并獲得實時的胚胎質量和染色體健康預測。
BELA 的表現優于當前基于 AI 的模型，在區分正常和異常的胚胎時，AUC (衡量模型準確性的指標) 為 0.82。它還提供了可靠的自動化預測，達到或超過了傳統方法的準確性，這些方法涉及由 embryologist 進行人工評估。
雖然研究人員并不想取代 PGT-A，但 BELA 可以幫助簡化 IVF 工作流程。它可以預先篩選胚胎，協助胚胎學家決定進一步分析哪些胚胎。這可以降低成本，并確保選擇高效可靠的胚胎。
源代碼可在 GitHub 上獲取。
閱讀研究 Automatic ploidy prediction and quality assessment of human blastocysts using time-lapse imaging。
照片由 Freepik 提供。
