本篇學術專欄為人工智慧（AI）在試管嬰兒領域應用的最終章。主要分享AI 在胚胎選擇的幫助：利用大數據資料庫，預測胚胎染色體整倍性，為醫生和客戶提供更全面的諮詢和選胚決策建議。
植入染色體異常的胚胎是試管嬰兒植入失敗最主要的原因之一。傳統的胚胎形態學評分方法雖然可在一定程度上評估胚胎的品質，但此評分與染色體整倍性的關聯性並不強。因此，AI 模型被引入，希望用於胚胎的整倍性預測，進而提高胚胎植入療程的成功率。
2022 年一篇發表於《Fertility and Sterility》的論文，回顧並分析了根特大學醫院生殖醫學部門在 2016 年至 2019 年間進行的試管嬰兒療程中，128 對不孕夫婦所產生的 539 個胚胎相關數據。研究顯示，45% 的胚胎為整倍體（euploidy），55% 為非整倍體（aneuploidy）。研究嘗試利用胚胎形態動力學特徵、標準胚胎發育特徵以及試管嬰兒客戶的臨床特徵，來建立預測胚胎整倍性最有效的機器學習模型，並分析最具預測性的指標特徵。
這項研究為試管嬰兒技術的進步提供了新的視角，通過結合 AI 模型與臨床數據，有望在未來提高胚胎植入成功率，並減少不必要的胚胎移植失敗率。
本研究將 85 個特徵依據特徵種類分成三個數據集：
- A 組：胚胎形態動力學特徵，包含 26 個特徵。
- B 組：形態動力學和標準胚胎發育特徵，包含 45 個特徵。
- C 組：形態動力學、標準胚胎發育特徵及試管嬰兒客戶的臨床特徵，包含 85 個特徵。
每個數據集再根據形態動力學的時間資料形式細分為 1 至 3 組，最終形成九個數據集。研究中使用了五種 AI 模型來預測胚胎的整倍性，包括：
- 隨機森林分類器（RFC）
- 梯度提升機（GB）
- 支持向量機（SVM）
- 多重邏輯回歸（MLR）
- 樸素貝葉斯（NB）
這些 AI 模型應用於九個數據集中，以建立胚胎整倍性的預測模型（如圖一所示）。每個數據集中的 80% 用於 AI 訓練，20% 用於測試。模型的性能評估通過多次隨機分割數據和交叉驗證進行，並對模型的超參數進行最佳調整，以達到最佳的預測性能。
這樣的多維度資料分析與 AI 模型結合，為胚胎植入成功率的提高提供了新的可能性。
為了挑選出表現最佳的數據集，進行了特徵選擇優化和重新訓練，並根據準確率、精確度、召回率、F1 分數和AUC 等指標對模型進行了再次評估，並列出表現最好的五個數據集（表一）。
最終，研究選擇了具有最佳準確率和召回率（Recall）的數據集 C1 進行特徵排名（如圖二所示）。結果顯示：
-
形態動力學特徵的重要性最大
研究表明，胚胎形態動力學特徵在預測胚胎整倍性中佔有最重要的地位。具體來說，第二極體擠出時間（tPB2）、原核出現時間（PN）和七細胞階段的時間（t7）是最具預測力的特徵。這些特徵與胚胎的早期細胞分裂和發育階段密切相關，表明它們在決定胚胎染色體正常性方面扮演關鍵角色。 -
臨床和人口統計特徵的次要作用
除了形態動力學特徵外，一些臨床相關特徵（如年齡、促性腺激素的總劑量，以及精子特徵，圖二中以紫色表示的特徵）也在預測模型中顯示出一定的重要性。然而，這些臨床和人口統計學特徵的權重相對較低，意味著它們在預測胚胎整倍性方面的貢獻不如形態動力學特徵那麼顯著。
這一結果強調了形態動力學特徵在胚胎品質評估中的核心作用，並表明 AI 模型可以更有效地利用這些動力學特徵來提高胚胎植入成功率。
不過，AI 數據分析仍有其侷限性。例如，雖然年齡是已知的重要預測特徵，但在這項研究中的相對影響可能並不顯著，這可能是因為樣本的年齡範圍較窄，或因為其他更具預測力的特徵佔據了主導地位。這表示在此特定模型和數據集中，年齡的變異性不足以讓它成為最重要的預測因素之一。為了進一步驗證年齡的影響，未來可以考慮擴大樣本量，或引入更多來自不同群體的數據來源，來提升模型的泛化能力。
本研究展示了機器學習模型在預測胚胎整倍性方面的潛力，特別是在非侵入性胚胎評估中的價值。隨著技術的進步，開發自動化的胚胎預測系統，利用已確定的關鍵特徵來評估胚胎的發育潛力和整倍性，將成為將來試管嬰兒（IVF）臨床實踐中的重要趨勢。這類 AI 模型有望優化臨床決策，幫助提高胚胎植入的成功率並減少胚胎異常的風險。
參考資料：
- De Gheselle, S., Jacques, C., Chambost, J., Blank, C., Declerck, K., De Croo, I., Hickman, C., & Tilleman, K. (2022). Machine learning for prediction of euploidy in human embryos: In search of the best-performing model and predictive features. Fertility and Sterility, 117(4), 738-746. https://www.sciencedirect.com/science/article/pii/S001502822102238X
