《Frontiers in Artificial Intelligence》：Artificial intelligence models and combined scoring approaches for endometrial receptivity assessment in in vitro fertilization
編輯推薦：
本研究綜述了人工智能模型與整合評分系統在體外受精（IVF）周期中評估子宮內膜容受性的前沿進展。通過將AI驅動的圖像分析（U-Net、VGG16）與臨床指標相結合，提出了一種復合評分（CS = (EQS + ERS)/2 × PSART/10）框架，其預測生化妊娠的AUC達0.94，超越單一模型。該研究展示了多維度AI評估在優化胚胎移植時機、實現精準IVF、輔助（而非取代）臨床決策方面的潛力。
引言
不孕癥是全球范圍內約六分之一的育齡夫婦面臨的重大公共衛生挑戰。在諸多輔助生殖技術（ART）中，體外受精（IVF）已成為治療不孕癥的核心手段。盡管在卵巢刺激、胚胎培養和選擇方面取得了顯著進步，但僅有約三分之一的IVF周期能夠獲得臨床妊娠。成功的植入不僅需要高質量的胚胎，還需要一個處于“窗口期”（WOI）的具有良好容受性的子宮內膜。子宮內膜容受性是指子宮內膜在黃體中期一個短暫時間段內，對胚胎植入最易接受的狀態。識別最佳的胚胎移植時機是生殖醫學的關鍵目標，但目前臨床使用的評估方法（如超聲測量內膜厚度與形態、子宮血流參數、內膜活檢、分子標志物等）存在主觀性強、可重復性差、缺乏單一金標準等局限。近年來，人工智能（AI）和機器學習（ML）技術在生殖醫學領域展現出巨大潛力，有望提供更標準化、自動化和客觀化的評估工具。
材料與方法
本研究是一項回顧性研究，數據來源于兩家土耳其醫院。數據集包含169張經陰道超聲（TVUS）子宮內膜圖像和230張胚胎顯微圖像。所有圖像均經過標準化的預處理流程，包括去噪、強度歸一化、感興趣區域（ROI）裁剪和數據增強，最終數據集擴充至1596張圖像。增強技術包括旋轉、縮放、翻轉以及基于生成對抗網絡（GAN）的合成圖像生成。
AI模型開發
研究構建了多個AI模型進行評估：
- 1.
子宮內膜分割：采用以VGG16為編碼器的U-Net卷積神經網絡，對超聲圖像中的子宮內膜區域進行自動分割，并量化測量內膜厚度、形態（如三線型）和估算體積。模型表現優異，平均戴斯相似系數（Dice）達0.92，交并比（IoU）為0.87，厚度測量的平均絕對誤差僅為0.21毫米。
- 2.
胚胎質量評估：使用微調后的VGG16分類器對胚胎圖像（卵裂期和囊胚期）進行質量評分（EQS，0-10分）。模型評估指標包括卵裂球對稱性、碎片程度、內細胞團（ICM）和滋養外胚層組織等。AI評分與胚胎學專家評分具有強一致性（Cohen's κ = 0.87）。
- 3.
復合評分框架：為綜合評估植入潛力，研究提出了一個復合評分（CS）。該評分整合了胚胎質量評分（EQS）、基于超聲參數的子宮內膜容受性評分（ERS）以及按比例縮放的患者特異性臨床妊娠概率評分（PSART，源自SART模型）。計算公式為：CS = (EQS + ERS)/2 × PSART/10。根據CS值可將植入概率分為低（CS < 4）、中（CS 4-7）、高（CS > 7）三個等級。
結果
在模型性能方面，用于子宮內膜分割的U-Net模型表現穩健，其分割度量指標詳見表6。胚胎質量分類器的總體準確率達到90.5%，對不同質量等級的胚胎均表現出高靈敏度與特異度（詳見表7）。
最關鍵的是復合評分的預測效能。如圖4中的ROC曲線所示，復合評分（CS）在預測生化妊娠方面顯示出卓越的判別能力，其曲線下面積（AUC）高達0.94（95% CI: 0.91–0.96），顯著優于單獨的胚胎質量評分（EQS， AUC=0.88）和子宮內膜容受性評分（ERS， AUC=0.85）。在最佳截斷值（CS ≥ 6.5）下，復合模型的靈敏度為92.1%，特異度為89.3%，準確率達90.7%（詳見表8）。
邏輯回歸分析進一步證實了復合評分的強大預測價值。如表9所示，在調整了其他因素后，復合評分（CS）是生化妊娠最強烈的獨立預測因子，其比值比（OR）為2.45（95% CI: 1.82–3.31, p < 0.001），意味著CS每增加1分，妊娠幾率增加約2.5倍。而單獨的EQS和ERS雖然也是顯著預測因子，但其OR值較低（分別為1.62和1.54）。
討論
本研究的結果具有重要的臨床意義。首先，AI模型實現了對子宮內膜參數和胚胎形態的客觀、可重復量化，減少了傳統方法中觀察者間的變異性和主觀性。例如，U-Net對內膜厚度的自動測量精度達到了臨床可接受的水平。
其次，也是最核心的發現，整合了胚胎因素、子宮因素和患者臨床特征的復合評分框架，其預測效能超越了任何單一參數模型。這印證了成功的胚胎植入是一個多因素共同作用的過程，需要胚胎的發育潛能與子宮內膜的容受狀態在時空上精確同步。復合評分通過數據融合提供了更全面的植入潛力評估。
在臨床相關性上，分析證實了高齡、多囊卵巢綜合征（PCOS）、子宮內膜異位癥等因素對妊娠結局的負面影響，而獲卵數則與妊娠概率正相關。在子宮內膜特征方面，具有足夠厚度（平均7.5 ± 1.2毫米）和三線型形態的內膜與更高的容受性相關，這與既往臨床認知一致。
局限性主要包括：研究的回顧性設計、單中心數據來源以及盡管經過增強但樣本量仍相對有限。此外，當前AI模型的“黑箱”特性可能影響臨床醫生的信任度。
結論與展望
本研究證實，基于人工智能的模型和整合評分方法能夠為IVF周期中的子宮內膜容受性評估和植入結局預測提供強大、客觀且臨床相關的框架。所開發的復合評分（CS）通過協同評估胚胎質量與子宮容受性，提供了優于單一指標的預測準確性（AUC = 0.94）。
這項工作標志著向精準生殖醫學邁進了一步。AI驅動的方法并非旨在取代臨床專業知識，而是作為強大的輔助工具，通過提供標準化、可重復的量化洞察來補充臨床決策。將AI分析與現有的臨床評分系統（如SART）相結合，可以優化胚胎移植時機的選擇，減少反復移植失敗，從而可能提高累計活產率并減輕患者的情感與經濟負擔。
未來的研究方向包括：在前瞻性、多中心、大樣本研究中進一步驗證該復合評分框架的普適性；整合時差成像（Time-lapse）的胚胎形態動力學數據、子宮內膜轉錄組學等多組學信息，以進一步增強預測模型的維度與精度；以及開發可解釋人工智能（XAI）技術，提升模型的透明度與臨床可接受度，最終實現與電子健康記錄（EHR）系統無縫集成的AI臨床決策支持工具。
