Nature Medicine

在过去的几十年里，体外受精（In Vitro Fertilization, IVF）技术已经成为解决不孕症问题的重要手段。IVF的成功率在很大程度上取决于胚胎的选择和移植过程，而如何从多个可用胚胎中选择出最有可能成功着床并发育的胚胎，是胚胎学家面临的主要挑战之一。传统上，胚胎选择主要依赖于形态学评估(morphological assessment)，即通过显微镜观察胚胎的外观特征，如细胞数量、对称性、碎片程度等，这种方法尽管广泛应用，但具有一定的主观性，并且不同胚胎学家之间可能存在评估不一致的问题。

近年来，随着人工智能(Artificial Intelligence, AI)的迅速发展，尤其是深度学习(Deep Learning)技术的兴起，IVF领域也开始探索将AI应用于胚胎选择过程。深度学习算法能够分析大量的胚胎图像数据，自动识别出与成功妊娠相关的特征，减少人为因素的干扰，从而提高胚胎选择的客观性和效率。例如，智能数据分析评分(iDAScore)就是一种基于深度学习的评分系统，它不仅考虑了胚胎的空间（形态学）特征，还分析了胚胎在培养过程中的时间序列（形态动力学）信息，以预测胚胎的着床潜力。

然而，尽管深度学习在其他医疗影像分析领域已经展示了强大的潜力，其在IVF中的实际临床效益仍需通过严格的随机对照试验(Randomized Controlled Trial, RCT)来验证。8月9日Nature Medicine的研究报道 Deep learning versus manual morphology-based embryo selection in IVF: a randomized, double-blind noninferiority trial ，正是在这一背景下展开，旨在评估深度学习算法是否能够在胚胎选择过程中达到或超过传统形态学评估的效果，同时探索其在提高操作效率、减少评估时间等方面的潜在优势。

在该研究中，尽管深度学习算法(iDAScore)在评估效率和操作一致性方面表现出显著优势，平均评估时间减少了近10倍，但其在提高临床妊娠率方面未能展示出非劣效性(non-inferiority)的显著优势。具体而言，深度学习组的临床妊娠率为46.5%，而对照组的临床妊娠率为48.2%，两者之间的风险差异为-1.7个百分点，95%CI为-7.7至4.3个百分点，P值为0.62，这表明使用深度学习算法选择胚胎的临床妊娠率与传统形态学评估方法相当，但未能显著优于后者。

此外，研究还发现，深度学习算法虽然在效率上具有优势，但在不同的子群体中，其表现存在差异。例如，在新鲜胚胎移植(fresh embryo transfer)的情况下，深度学习算法的妊娠率略高于对照组，而在冷冻胚胎移植(frozen embryo transfer)中，深度学习算法的效果则相对较差。这提示，深度学习算法在不同临床情境中的适用性可能存在差异，需要进一步研究以优化其算法和应用条件。

总的来说，尽管深度学习在胚胎评估中的应用展示了提高操作效率的潜力，但其在临床妊娠率方面尚未表现出足够的优势，无法取代当前的标准形态学评估方法。这一结果强调了在IVF领域引入新技术时，必须进行严谨的临床验证，以确保其能够在不降低治疗效果的前提下，真正为患者带来益处。未来的研究还需继续探索如何优化AI算法，使其更好地服务于临床实践。