胡希 李艷 劉洋

昆明醫(yī)科大學(xué)第二附屬醫(yī)院生殖醫(yī)學(xué)科（昆明 650101）

深度學(xué)習(xí)（deep learning，DL）是人工智能（artificial intelligence， AI）的一個(gè)子集，是一種應(yīng)用前景廣泛的方法，它可以自動(dòng)從樣本圖像中學(xué)習(xí)特征表達(dá)，并且在特定任務(wù)的應(yīng)用中已經(jīng)被證明可以匹配甚至超越人類的表現(xiàn)［1］，目前已應(yīng)用于諸多領(lǐng)域，實(shí)現(xiàn)了突破性的成就。在醫(yī)學(xué)領(lǐng)域DL 結(jié)合臨床醫(yī)師的經(jīng)驗(yàn)和智慧，改善醫(yī)療診斷、治療和疾病管理的效率和精度，在當(dāng)下和未來的診療工作中扮演著重要的角色。輔助生殖技術(shù)（assisted reproductive technology， ART）是當(dāng)前不孕不育夫婦解決生育問題的主要方法，胚胎質(zhì)量是決定能否成功妊娠的關(guān)鍵因素之一。傳統(tǒng)的胚胎質(zhì)量評估、卵母細(xì)胞及精子的選擇是在顯微鏡下通過人眼觀察進(jìn)行評分［2］，存在主觀性強(qiáng)、誤差明顯、耗時(shí)長、依賴經(jīng)驗(yàn)等局限性。因此，胚胎質(zhì)量評估成為體外受精（in vitrofertilization， IVF）妊娠率進(jìn)一步提高的限速步驟，隨著AI 新領(lǐng)域DL 的迅速發(fā)展，其強(qiáng)大的圖像大數(shù)據(jù)處理學(xué)習(xí)能力，使得胚胎實(shí)驗(yàn)室繁重的臨床工作過程中實(shí)現(xiàn)高準(zhǔn)確度、高效率挑選精子、卵子及胚胎有了新的突破方向，進(jìn)一步優(yōu)化胚胎學(xué)分析、客觀地評估胚胎以及預(yù)測發(fā)育潛能、妊娠結(jié)局［3］。本文將綜述近5 年DL在ART 領(lǐng)域的研究進(jìn)展，評價(jià)其利弊，闡明未來發(fā)展方向。

1 DL 在胚胎質(zhì)量評估及選擇中的應(yīng)用

1.1 DL 基于顯微鏡靜態(tài)圖像下的胚胎質(zhì)量評估及選擇傳統(tǒng)胚胎優(yōu)選通常采用靜態(tài)形態(tài)學(xué)評分系統(tǒng)，在胚胎發(fā)育特定時(shí)間點(diǎn)使用高倍顯微鏡觀察并拍攝圖片，技術(shù)人員按照胚胎評級標(biāo)準(zhǔn)（如伊斯坦布爾共識）為胚胎貼上標(biāo)簽，等級最高者優(yōu)先移植［4］。然而，胚胎圖像質(zhì)量、人工視覺偏差及個(gè)人經(jīng)驗(yàn)不足均會(huì)降低觀察者自身及觀察者之間的準(zhǔn)確性及一致性。MUSHTAQ 等［5］的研究提出一種基于DL 的胚胎成分分割網(wǎng)絡(luò)（ECS-Net），在公開可用的顯微囊胚圖像數(shù)據(jù)集上進(jìn)行了評估，提供了85.93%的平均Jaccard 指數(shù)，表明此網(wǎng)絡(luò)可準(zhǔn)確檢測滋養(yǎng)外胚層、透明帶、囊胚腔和內(nèi)細(xì)胞團(tuán)以進(jìn)行胚胎學(xué)分析。CHAVEZBADIOLA 等［6］在已知結(jié)果的囊胚圖像數(shù)據(jù)庫中應(yīng)用胚胎排序智能分類算法（embryo ranking intelligent classification algorithm， ERICA），評估其預(yù)測整倍體和胚胎排序的能力，結(jié)果發(fā)現(xiàn)，ERICA 算法的預(yù)測囊胚整倍性準(zhǔn)確性高達(dá)70%，高準(zhǔn)確性意味著醫(yī)生更可靠地選擇最有希望的胚胎進(jìn)行植入，提高患者妊娠率。研究還將ERICA 算法預(yù)測整倍體胚胎排序的性能與高級胚胎學(xué)家進(jìn)行了比較。結(jié)果表明，ERICA的準(zhǔn)確度為78.9%，兩位高級胚胎學(xué)家的準(zhǔn)確度分別是63.1%和70.7%，ERICA 表現(xiàn)更出色。這意味著ERICA 算法可以成為醫(yī)生的有力工具，提供更客觀和準(zhǔn)確的胚胎質(zhì)量評估。ORMANN 等［7］評估了深度卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural networks，CNN）使用人工授精后113 h 收集的胚胎的單時(shí)間點(diǎn)圖像進(jìn)行訓(xùn)練，并觀察到在選擇可用的最高質(zhì)量胚胎方面的準(zhǔn)確率高達(dá)90%。此外，經(jīng)過訓(xùn)練的CNN 直接使用一組97 個(gè)整倍體胚胎來評估胚胎植入潛力，其表現(xiàn)優(yōu)于來自5 個(gè)不同生殖中心的15 名胚胎學(xué)家（75.26%vs.67.35%，P＜ 0.000 1）。LOEWKE 等［8］以5 923 個(gè)移植的囊胚和2 614 個(gè)非移植的非整倍體囊胚的靜態(tài)圖像測試，表征DL 模型對囊胚期胚胎的排序，得到了較高的曲線下面積（AUC），在0.6～0.7 之間，表明模型預(yù)測能力尚可，同時(shí)在整體和每個(gè)時(shí)間點(diǎn)的基礎(chǔ)上均優(yōu)于手動(dòng)形態(tài)學(xué)分級。與手動(dòng)分級相比，使用該模型將妊娠率提高了5%～12%。FITZ 等［9］評估了胚胎學(xué)家在使用和不使用DL 算法的幫助下選擇最高質(zhì)量的第5 天整倍體囊胚方面的表現(xiàn)，14 名胚胎學(xué)家完成了兩項(xiàng)評估：提供模型預(yù)測結(jié)果的胚胎學(xué)家在73.6%的病例中選擇了成功植入的胚胎，而僅使用視覺評估選擇的病例為65.5%（P＜ 0.001）；此外，所有胚胎學(xué)家均在算法的幫助下提高了選擇胚胎的成功率，平均提高了11.1%（范圍從1.4%～15.5%）［9］。在一項(xiàng)來自獨(dú)立驗(yàn)證測試的單中心大型隊(duì)列回顧性研究中，使用已知妊娠結(jié)局的數(shù)據(jù)集進(jìn)行DL 模型的建立，比較分析此前構(gòu)建的基于DL 的無注釋胚胎評分系統(tǒng)iDAScore 在凍融周期單囊胚移植（single vitrified-warmed blastocyst embryo transfer， SVBT）后妊娠預(yù)測的性能，并與其他依賴注釋或形態(tài)學(xué)評分的胚胎評分系統(tǒng)的性能進(jìn)行比較，選擇接受SVBT 周期的患者（3 018 個(gè)周期），該系統(tǒng)AUC 在所有年齡組中都是最高或等于最高，表明模型預(yù)測能力最強(qiáng)，雖然僅在最年輕的年齡組中觀察到顯著差異，但仍然可以得出結(jié)論，該DL 模型與更傳統(tǒng)的胚胎評估或依賴注釋的工具一樣好，甚至更好［10］。VERMILYEA 等［11］使用從標(biāo)準(zhǔn)光學(xué)顯微鏡系統(tǒng)獲得的第5 天囊胚的單個(gè)靜態(tài)圖像，對2011～2018年間來自3個(gè)國家的11個(gè)試管嬰兒中心的8 886 個(gè)獨(dú)立的圖像和臨床數(shù)據(jù)，訓(xùn)練了一個(gè)基于人工智能的Life Whisperer AI 模型，用于預(yù)測是否活胚胎，該模型對活胚胎的敏感性為70.1%，而對非活胚胎的特異性為60.5%，綜合準(zhǔn)確率為64.3%，使用該模型后，胚胎學(xué)家的準(zhǔn)確率提高了24.7%（P= 0.047）［11］。

以上研究DL 的應(yīng)用均表現(xiàn)出顯著優(yōu)勢，可以對胚胎形態(tài)學(xué)分析、排序，并結(jié)合妊娠結(jié)局的預(yù)測，幫助胚胎學(xué)家選擇最佳胚胎，提高技術(shù)人員工作效率，并且不需要昂貴的延時(shí)設(shè)備或可能影響胚胎發(fā)育的侵入性活檢。

1.2 DL 基于胚胎延時(shí)攝影（time-lapse，TL）動(dòng)態(tài)圖像的胚胎評估及選擇TL 技術(shù)是一種新型胚胎培養(yǎng)與胚胎實(shí)時(shí)觀察技術(shù)。與需要將胚胎反復(fù)取出培養(yǎng)箱且只能在特定時(shí)間點(diǎn)靜態(tài)觀察胚胎的常規(guī)培養(yǎng)相比，TL 培養(yǎng)系統(tǒng)既能保證足夠穩(wěn)定的胚胎培養(yǎng)環(huán)境，又能提供全面的胚胎發(fā)育動(dòng)態(tài)信息，有利于改善胚胎質(zhì)量，并能選擇出更具發(fā)育潛能的胚胎，提高IVF 妊娠結(jié)局［12］。近年來，為了達(dá)到弱化胚胎學(xué)家選擇的高度主觀性、提高選擇效率的目的，許多研究將DL 與TL 結(jié)合以自動(dòng)化該過程，取得了不錯(cuò)的進(jìn)展。

KRAGH 等［13］通過延時(shí)成像自動(dòng)對人類囊胚的形態(tài)外觀進(jìn)行分級，訓(xùn)練CNN，以從單個(gè)圖像幀聯(lián)合預(yù)測內(nèi)細(xì)胞質(zhì)量（ICM）和滋養(yǎng)外胚層（TE）等級，并在頂部應(yīng)用遞歸神經(jīng)網(wǎng)絡(luò)以合并來自多個(gè)幀的膨脹胚泡的時(shí)間信息，該方法達(dá)到了高于人類胚胎學(xué)家水平的準(zhǔn)確性［13］。LEE 等［14］研究人員通過690 組延時(shí)視頻圖像，結(jié)合胚胎植入前非整倍體遺傳學(xué)檢測（preimplantation genetic testing for aneuploidy， PGT-A）結(jié)果，用于區(qū)分整倍體與非整倍體胚胎，最終該DL 模型測試數(shù)據(jù)集（138 個(gè)視頻）的AUC 為0.74，表明模型具有較高的預(yù)測能力。HUANG 等［15］研究了U-Net 架構(gòu)從未經(jīng)編輯的延時(shí)圖像文件中區(qū)分囊胚的細(xì)胞區(qū)域，以用于選擇單個(gè)囊胚進(jìn)行移植，該平臺被回顧性地應(yīng)用于來自101 個(gè)移植的單個(gè)胚泡的延時(shí)文件，這些胚泡通過使用10 h 擴(kuò)增試驗(yàn)并在隊(duì)列中的最高擴(kuò)增排名，前瞻性地選擇用于移植。最終，該平臺在35 個(gè)未經(jīng)活檢的單個(gè)囊胚移植中有23 個(gè)（65.7%）活產(chǎn)；在66 個(gè)單整倍體囊胚移植中，也因其最強(qiáng)勁的擴(kuò)張而被選中，其中49 個(gè)（74.2%）活產(chǎn)。研究團(tuán)隊(duì)［14］實(shí)現(xiàn)了對延時(shí)圖像中的囊胚細(xì)胞區(qū)域的自動(dòng)分割和識別，表明DL 模型有望提高植入成功率，增加患者成功受孕的機(jī)會(huì)，并強(qiáng)調(diào)了前瞻性選擇的重要性，更好地預(yù)測囊胚的發(fā)展?jié)摿?。在預(yù)測妊娠結(jié)局方面，HUANG 等［16］回顧性分析了胚胎樣本的延時(shí)數(shù)據(jù)，使用初始學(xué)習(xí)率為0.025 的SGD優(yōu)化器和余弦學(xué)習(xí)率降低策略來預(yù)測活產(chǎn)結(jié)局，結(jié)果表明此DL 模型在5 倍分層交叉驗(yàn)證中表現(xiàn)出了出色的性能，AUC 達(dá)到0.968，表明它能夠高度準(zhǔn)確地通過延時(shí)視頻來預(yù)測活產(chǎn)。TRAN 等［17］對2014 年1 月至2018 年12 月期間來自4 個(gè)不同國家的8 個(gè)不同IVF 中心的10 638 個(gè)胚胎的延時(shí)視頻和臨床妊娠結(jié)局進(jìn)行回顧性分析，建立的DL模型能夠通過延時(shí)視頻預(yù)測臨床妊娠，并且在5 倍分層交叉驗(yàn)證中取得了相當(dāng)高的AUC，達(dá)到了0.93，進(jìn)一步證明了DL 在胚胎優(yōu)選中的價(jià)值。

以上研究表明，DL 模型與延遲成像系統(tǒng)結(jié)合，可用于分級囊胚形態(tài)、區(qū)分整倍體和非整倍體胚胎，自動(dòng)分割囊胚細(xì)胞區(qū)域，并預(yù)測妊娠結(jié)局。這些創(chuàng)新有望提高植入成功率，增加患者成功受孕的機(jī)會(huì)，減少主觀性評估的依賴，對輔助生殖技術(shù)領(lǐng)域具有潛在重要價(jià)值。

2 DL 結(jié)合胚胎圖像與臨床特征的胚胎優(yōu)選、妊娠結(jié)局預(yù)測

與單純使用顯微鏡下胚胎圖像或延時(shí)視頻訓(xùn)練DL 模型不同，有的研究將胚胎圖像與臨床特征如母親年齡、抗繆勒管激素AMH 等結(jié)合，進(jìn)行多維度的分析，以期建立準(zhǔn)確度更高的臨床預(yù)測模型，預(yù)測妊娠結(jié)局，優(yōu)選胚胎。DUVAL 等［18］使用3D-CNN 預(yù)測臨床妊娠，分別建立了一個(gè)胚胎視頻數(shù)據(jù)模型和一個(gè)胚胎視頻與臨床特征提升算法的混合模型，結(jié)果表明這個(gè)混合模型的性能明顯優(yōu)于僅使用視頻模型的性能，AUC 分別為0.727 和0.684（P= 0.015），這意味著該混合模型可以更準(zhǔn)確地預(yù)測臨床妊娠。VICTORIA等［19］的研究旨在探討CNN、支持向量機(jī)（SVM）和多層神經(jīng)網(wǎng)絡(luò)（NN）與臨床特征參數(shù)相結(jié)合，是否能提高DL 模型預(yù)測非整倍體的準(zhǔn)確性。使用699 個(gè)囊胚的數(shù)據(jù)，CNN被訓(xùn)練用于分類整倍體/非整倍體，同時(shí)使用SVM和NN 處理患者特征。結(jié)果顯示，當(dāng)僅使用CNN評估囊胚圖像時(shí)，整倍體/非整倍體胚胎的分類準(zhǔn)確度為61.2%，在將CNN 的最佳模型與患者臨床參數(shù)相結(jié)合（投票集成）后，準(zhǔn)確度分別提高到65.0%（結(jié)合AMH）、66.4%（結(jié)合母親年齡）、65.7%（結(jié)合母親年齡與AMH）、66.4%［結(jié)合母親的年齡、AMH 和正常受精（2PN）的胚胎總數(shù)］、71.4%（結(jié)合母親的年齡、AMH、2PN 數(shù)量以及父親的精子質(zhì)量），這表明在將DL 模型與患者臨床特征相結(jié)合時(shí)，模型預(yù)測能力取得了顯著的提升。

以上研究將DL 模型與臨床特征結(jié)合，可以進(jìn)一步提高ART 中妊娠結(jié)局的預(yù)測準(zhǔn)確性。這種綜合多維度數(shù)據(jù)的方法有望進(jìn)一步改善患者的治療結(jié)果，并提供更全面的臨床決策支持。

3 DL 在卵母細(xì)胞的評估及選擇中的應(yīng)用

高質(zhì)量的卵母細(xì)胞是體外受精-胚胎移植（in vitro fertilization-embryo transplantation，IVF-ET）成功的重要前提。FIRUZINIA 等［20］開發(fā)了一個(gè)基于改進(jìn)U-Net 模型的DL 網(wǎng)絡(luò)，所提出的模型更準(zhǔn)確地分割復(fù)雜和不規(guī)則的細(xì)胞質(zhì)、透明帶（zona pellucida， ZP）和卵黃周間隙（perivitelline space， PVS）結(jié)構(gòu)。LIANG 等［21］使用三維超聲（3D-US）建立了一種基于DL 的新型卵泡體積生物標(biāo)志物，確定了卵泡體積的最佳臨界值是0.5 cm3，用于預(yù)測成熟卵母細(xì)胞數(shù)，其性能明顯優(yōu)于常規(guī)方法（二維超聲直徑測量≥ 10 mm）。用于優(yōu)化HCG 觸發(fā)時(shí)間的前導(dǎo)卵泡體積的截止值確定為3.0 cm3，并且與成熟卵母細(xì)胞數(shù)量顯著相關(guān)（P= 0.01），模型的準(zhǔn)確性優(yōu)于二維直徑測量（AUC 0.890vs.0.785）。表明該模型不僅可以更準(zhǔn)確地預(yù)測卵子的成熟程度，還可以進(jìn)一步優(yōu)化HCG 扳機(jī)觸發(fā)時(shí)機(jī)。JIANG 等［22］對兩個(gè)CNN 模型進(jìn)行了3 個(gè)重復(fù)的訓(xùn)練、驗(yàn)證和測試，以確定用于指導(dǎo)胚胎學(xué)家執(zhí)行顯微操作程序的關(guān)鍵卵母細(xì)胞形態(tài)學(xué)標(biāo)志。最終，CNN-卵母細(xì)胞胞漿內(nèi)單精子注射（intracytoplasmic sperm injection， ICSI）模型具有高達(dá)98.9%的準(zhǔn)確率；CNN-輔助孵化（assisted hatching，AH）模型準(zhǔn)確率達(dá)到99.41%，表明模型在準(zhǔn)確識別極體和最佳ICSI、AH 位置方面表現(xiàn)出色，應(yīng)用潛力巨大。

以上研究表明，DL 模型訓(xùn)練以自動(dòng)識別和評估卵母細(xì)胞的形態(tài)特征，有助于提高工作效率，減少了人為錯(cuò)誤，能夠?qū)D像進(jìn)行高度精確的分析，識別微小的形態(tài)學(xué)特征和細(xì)微的變化，從而提高診斷和評估的準(zhǔn)確性。

4 DL 在精子的評估及選擇中的應(yīng)用

在我國ART助孕夫婦的不孕因素中，男性因素占36.62%，僅次于輸卵管因素［23］。美國CDC 2019年度報(bào)告的不孕因素主要為卵巢儲備功能下降（28.6%）、男性因素（27.5%）［24］。在處理IVF 人類的精液樣本時(shí)，精子識別和選擇是一項(xiàng)必不可少的任務(wù)，直接影響助孕結(jié)局。

4.1 DL 在精子識別中的應(yīng)用LEE 等［25］訓(xùn)練了一個(gè)基于U-Net 架構(gòu)的CNN，用于檢測非梗阻性無精子癥患者精液和顯微外科睪丸精子提?。╩icroTESE）樣本中稀有人類精子，對于僅含精子的樣本，算法在10 倍放大倍數(shù)下實(shí)現(xiàn)了91%的陽性預(yù)測值（PPV）、95.8%的靈敏度和93.3%的F1 評分；對于摻有大量精子的游離microTESE 樣本，算法獲得了84.0%的PPV、72.7%的靈敏度和77.9%的F1 評分；對于摻有稀有精子的游離microTESE樣本，算法獲得了84.4%的PPV、86.1%的靈敏度和85.2%的F1 評分。這些性能指標(biāo)表示該CNN在不同樣本類型下都能夠有效地檢測稀有人類精子，并且在僅含精子的樣本中表現(xiàn)最佳，具有高的PPV、靈敏度和F1 評分。可能有助于提高在顯微外科睪丸精子提取手術(shù)中非梗阻性無精子癥患者的生育機(jī)會(huì)。

4.2 DL 在精子形態(tài)分析中的應(yīng)用ABBASI 等［26］的研究關(guān)注分析精子形態(tài)特征的問題，提出深度多任務(wù)遷移學(xué)習(xí)（DMTL），它結(jié)合了基于網(wǎng)絡(luò)的深度遷移學(xué)習(xí)和多任務(wù)學(xué)習(xí)，分辨形態(tài)異常的精子。該算法分析精子頭部、頂體和液泡的準(zhǔn)確率分別達(dá)到了84.00%、80.66%和94.00%，在DL 的應(yīng)用下，分析精子的準(zhǔn)確率顯著提高。MARíN 等［27］的研究采用兩種DL 架構(gòu)（U-Net 和Mask-RCNN）來分割人類精子的不同部分，如頭部、頂體和細(xì)胞核，結(jié)果均取得了出色的成果［27］。RIORDON 等［28］的研究使用了VGG16 深度CNN，經(jīng)過訓(xùn)練以用于精子分類，利用了兩個(gè)免費(fèi)可用的精子頭部數(shù)據(jù)集（HuSHeM 和SCIAN），研究結(jié)果顯示，這種DL 方法在高準(zhǔn)確度下對精子形態(tài)進(jìn)行分類表現(xiàn)出色，強(qiáng)調(diào)了人工智能技術(shù)有望在準(zhǔn)確性、可靠性和吞吐量方面超越人類專家。JAVADI 等［29］研究創(chuàng)建了一個(gè)包含大量精子圖像的數(shù)據(jù)集，并設(shè)計(jì)了深度神經(jīng)網(wǎng)絡(luò)，可識別精子頭部、頂體和液泡的異常，結(jié)果表明，該DL 算法在形態(tài)異常檢測方面具有高度準(zhǔn)確性。VALIU?KAITē 等［30］提出了一種基于區(qū)域卷積神經(jīng)網(wǎng)絡(luò)（R-CNN）架構(gòu)的DL 方法，用于評估人類精液視頻中的精子頭部運(yùn)動(dòng)，在VISEM（人類精子的多模態(tài)視頻數(shù)據(jù)集）精子樣本視頻數(shù)據(jù)集上實(shí)現(xiàn)了91.77%（95%CI：91.11%～92.43%）的精子頭部檢測準(zhǔn)確率，精子頭部活力預(yù)測的平均絕對誤差為2.92（95%CI：2.46～3.37），而實(shí)際精子頭部活力與預(yù)測精子頭部活力之間的Pearson相關(guān)系數(shù)為0.969。

這些研究表明，DL 方法在精子形態(tài)和特征分析領(lǐng)域取得了顯著的進(jìn)展，具有潛力用于提高精子分析的準(zhǔn)確性和效率，甚至有望超越人類專家的表現(xiàn)。這些技術(shù)對于生殖健康領(lǐng)域具有重要的應(yīng)用潛力。

4.3 DL 在評估精子DNA 質(zhì)量中的應(yīng)用鑒于精子常規(guī)參數(shù)對于IVF-ET 助孕結(jié)局的評估價(jià)值有限，IVF 治療過程中既往常忽視男性精子質(zhì)量因素對胚胎發(fā)育潛能的影響，近幾年精子功能檢查指標(biāo)精子DNA 碎片（sperm DNA fragmentation，SDF）引入臨床檢查后關(guān)于SDF 異常對胚胎發(fā)育潛能和IVF 助孕結(jié)局的影響多有報(bào)道［31］。在IVF 助孕過程中，如何準(zhǔn)確評估精子DNA 質(zhì)量開始受到研究者們的關(guān)注。MCCALLUM 等［32］研究展示了一種基于深度CNN 的方法，通過訓(xùn)練模型使用已知DNA 質(zhì)量的精子圖像預(yù)測精子的DNA 質(zhì)量，結(jié)果顯示，精子圖像與DNA 質(zhì)量之間存在中等程度的相關(guān)性，并且能夠識別相對于中值而言DNA 完整性較高的精子，這種DL 選擇過程與當(dāng)前手工顯微鏡精子選擇方法兼容，可以為臨床醫(yī)生提供快速的DNA 質(zhì)量預(yù)測和精子選擇。NOY 等［33］研究針對ICSI 過程中的DNA 碎裂問題，提出了一種新方法，利用多層次的無染色成像數(shù)據(jù)和輕量級DL模型來預(yù)測精子細(xì)胞的DNA 碎裂情況，通過染色和熒光顯微鏡成像獲得DNA 碎裂的實(shí)際情況，預(yù)測模型基于MobileNetCNN 架構(gòu)，結(jié)合了置信度測量，實(shí)驗(yàn)結(jié)果顯示，對于高置信度預(yù)測的細(xì)胞，平均絕對誤差很低，為0.05，表明這一方法有潛力用于改進(jìn)胚胎學(xué)家在ICSI 中的細(xì)胞選擇，從而提高受精成功率。

以上研究對于進(jìn)一步優(yōu)化ICSI 技術(shù)，提高患者的生育成功率，以及改進(jìn)生殖醫(yī)學(xué)的實(shí)踐具有重要意義。DL 和圖像分析技術(shù)為精子選擇和質(zhì)量評估提供了新的工具和方法，有望改善不孕癥治療的效果。

5 展望

近年來，隨著計(jì)算機(jī)硬件水平的提升和算法水平的不斷進(jìn)步，AI 與DL 在醫(yī)學(xué)領(lǐng)域的應(yīng)用已經(jīng)取得了顯著進(jìn)展。盡管當(dāng)前研究已初步證明了DL 在ART 中的潛力，但仍然存在一些關(guān)鍵問題：需要更多前瞻性研究來驗(yàn)證DL 模型應(yīng)用于臨床的決策性能；DL 模型的構(gòu)建通常需要大量高質(zhì)量的數(shù)據(jù)進(jìn)行訓(xùn)練以獲得最佳性能，因此未來的研究方向應(yīng)該致力于高質(zhì)量的數(shù)據(jù)庫建立；僅有少量研究將患者的個(gè)體化信息如年齡、激素水平等納入數(shù)據(jù)集建模，未來研究應(yīng)考慮納入以上資料，以優(yōu)化模型更好地應(yīng)用于臨床。此外，DL 在輔助生殖領(lǐng)域中的應(yīng)用不是為了取代專業(yè)技術(shù)人員，而是協(xié)助他們做出更準(zhǔn)確快速的臨床決策，從而改善治療效果、降低醫(yī)療專業(yè)人員的工作負(fù)擔(dān)。我們期望DL 模型能夠在臨床應(yīng)用中取得更高的可信度和穩(wěn)定性，以協(xié)助胚胎學(xué)家做出最佳決策。在充分解決了上述問題后，DL 有望在ART 中發(fā)揮更重要的作用，改善ART 治療計(jì)劃，提高助孕成功率，提升臨床及胚胎實(shí)驗(yàn)室工作效率，最終全面提升人口健康和素質(zhì)，為國家的可持續(xù)發(fā)展做出貢獻(xiàn)。

【Author contributions】HU Xi drafted the paper and wrote the paper according to the research ideas.LI Yan revised the article.LIU Yang critically reviewed the intellectual content of the article and improved the research ideas.All authors read and approved the final manuscript as submitted.

【Conflict of interest】The authors declare no conflict of interest.