来自康奈尔大学 (Weill Cornell Medicine) 的 研究人员 开发了一种由 AI 提供支持的模型，该模型可以帮助接受体外受精 (IVF) 的伴侣，并指导他们选择健康的植入物。这项研究最近发表在 《自然通讯》(Nature Communications) 上，介绍了囊囊肿评估学习算法 (Blastocyst Evaluation Learning Algorithm, BELA)。这种先进的深度学习模型使用延时成像数据和孕龄来评估胎质量和染色体健康状况。
通过为标准基因测试 (即非整倍体植入前基因测试 (PGT-A)) 提供非侵入性且经济高效的补充，BELA 可以简化胚胎选择并降低家庭成本。
自 1978 年推出以来，IVF 已成功接生 800 多万例，为全球面临不育问题的个人和伴侣提供解决方案。选择胚胎是此过程中的关键步骤，会显著影响孕育成功率。传统方法 (例如 PGT-A) 需要细胞提取来进行染色体分析，这可能会对胚胎的存活造成巨大的成本和风险。
研究人员开发了 BELA，可自动执行胎儿评估过程。通过分析经过 5 天开发收集的延时成像数据，并结合孕龄，AI 驱动的模型预测了胚胎的染色体健康状况，并按质量对胚胎进行排序。时间和速度是胚胎存活的关键指标，也是模型分析的核心。
BELA 在康奈尔大学的高性能 BioHPC 计算集群上接受训练，该集群使用 NVIDIA A40 GPUs 和包含 2800 多个形延时序列的各种数据集，捕捉了细胞的发展阶段。该基础架构实现了高效的数据处理，平均训练时间仅为 5.23 分钟，每次预测发的发时间约为 30 秒。
图 1、STORK-V 是一种临床工具，它使用自动化来帮助 embryologists 对 embryos 进行全面评估 (来源： Rajendran, S., Brendel, M., Barnes, J. et al.)
为了使模型在临床环境中可用，该团队还开发了 STORK-V，这是一个由 BELA 提供支持的基于 Web 的平台。Embroloyigsts 上传时间差成像数据，并获得实时的胚胎质量和染色体健康预测。
BELA 的表现优于当前基于 AI 的模型，在区分正常和异常的胚胎时，AUC (衡量模型准确性的指标) 为 0.82。它还提供了可靠的自动化预测，达到或超过了传统方法的准确性，这些方法涉及由 embryologist 进行人工评估。
虽然研究人员并不想取代 PGT-A，但 BELA 可以帮助简化 IVF 工作流程。它可以预先筛选胚胎，协助胚胎学家决定进一步分析哪些胚胎。这可以降低成本，并确保选择高效可靠的胚胎。
源代码可在 GitHub 上获取。
阅读研究 Automatic ploidy prediction and quality assessment of human blastocysts using time-lapse imaging。
照片由 Freepik 提供。
