DOI: https://doi.org/10.1038/s41598-026-40917-5
PMID: https://pubmed.ncbi.nlm.nih.gov/41714799
تاريخ النشر: 2026-02-19
المؤلف: Ryo Maekawa وآخرون
الموضوع الرئيسي: علم الأحياء التناسلي والخصوبة
نظرة عامة
تقدم البحث نموذجين من التعلم العميق مصممين لتعزيز اختيار الأجنة في التلقيح الاصطناعي من خلال التنبؤ باحتمالية الحمل السريري وحالة الصبغيات للأجنة باستخدام مقاطع الفيديو الزمنية وعمر الأم، بدلاً من الاعتماد على التقييمات الشكلية التقليدية. تتناول هذه الطريقة قيود التقييمات الذاتية، التي غالبًا ما تكون غير متسقة وذات ارتباط ضعيف مع حالة الصبغيات، وهي عامل مهم في معدلات الإجهاض.
في تحليل استعادي شمل 2,436 جنينًا لتنبؤ الحمل و1,645 لتنبؤ الصبغيات، تم التحقق من صحة النماذج مقابل بيانات من مراكز التلقيح الاصطناعي المستقلة. استخدمت كلا النموذجين شبكة عصبية تلافيفية مكانية زمنية، محققة قيم منطقة تحت منحنى التشغيل (AUROC) تبلغ 0.799 و0.717 و0.746 لنموذج التنبؤ بالحمل، و0.802 و0.738 و0.759 لنموذج التنبؤ بالصبغيات عبر مجموعات التحقق، الداخلية، والخارجية، على التوالي. تشير هذه النتائج إلى أن النماذج المدفوعة بالذكاء الاصطناعي يمكن أن تعمل كأدوات دعم قرار غير جراحية فعالة، مما قد يحسن موضوعية عمليات اختيار الأجنة في البيئات السريرية.
مقدمة
تتناول مقدمة ورقة البحث التحدي المستمر لاختيار الأجنة القابلة للحياة للنقل في تكنولوجيا الإنجاب المساعدة (ART). تعتمد الطرق التقليدية، مثل تصنيف غاردنر، على التقييمات الشكلية الذاتية، مما يمكن أن يؤدي إلى تباين في اختيار الأجنة ونتائج علاج غير متسقة. بينما تعتبر حالة الصبغيات عاملاً حاسمًا في قابلية حياة الأجنة، فإن الارتباط بين التقييمات الشكلية وحالة الصبغيات ضعيف، حيث أن العديد من الأجنة عالية الجودة تكون غير طبيعية الصبغيات. يوفر الاختبار الجيني قبل الزرع للصبغيات غير الطبيعية (PGT-A) تقييمًا مباشرًا لسلامة الصبغيات ولكنه يثير مخاوف بشأن طبيعته الجراحية وتأثيره المحتمل على قابلية حياة الأجنة.
أظهرت التطورات الأخيرة في نماذج التعلم العميق التي تستخدم التصوير الزمني للأجنة وعدًا في تحسين دقة التنبؤ لنتائج الزرع وتقييم الصبغيات. يمكن لهذه النماذج، التي يمكنها تحليل بيانات التطور المستمرة، أن تتجاوز الطرق التقليدية من خلال القضاء على الاعتماد على المدخلات المحددة من قبل الإنسان. يقترح المؤلفون أن نهج التعلم العميق من النهاية إلى النهاية، الذي يستفيد من تدفق الفيديو الكامل لتطور الأجنة دون تقييم يدوي، يمكن أن يعزز اكتشاف الإشارات البيولوجية ذات الصلة المرتبطة بالزرع وحالة الصبغيات. لتحقيق ذلك، قاموا بتطوير نموذجين قائمين على التعلم العميق يستخدمان فقط مقاطع الفيديو الزمنية وعمر الأم لتنبؤ الحمل السريري، بهدف تحسين عمليات اختيار الأجنة في ART.
طرق
تحدد قسم “المواد والطرق” تصميم التجربة والإجراءات المستخدمة في الدراسة. يوضح المواد المحددة المستخدمة، بما في ذلك أي مواد كيميائية، معدات، وعينات بيولوجية، بالإضافة إلى البروتوكولات المتبعة لضمان إمكانية التكرار. يركز القسم على المنهجيات المطبقة لجمع البيانات وتحليلها، بما في ذلك التقنيات الإحصائية والأدوات الحاسوبية المستخدمة لتفسير النتائج.
بالإضافة إلى ذلك، قد يصف القسم إعداد التجربة، بما في ذلك الضوابط والمتغيرات، لتوضيح كيفية معالجة أسئلة البحث. من الضروري إثبات صحة النتائج وضمان إمكانية تكرار الدراسة من قبل باحثين آخرين في هذا المجال. بشكل عام، يعد هذا القسم مكونًا أساسيًا من البحث، حيث يوفر الشفافية والدقة للاستفسار العلمي.
نتائج
يقدم قسم “النتائج” النتائج الرئيسية للدراسة، مع تسليط الضوء على النتائج المهمة المستمدة من الإجراءات التجريبية أو التحليلية المستخدمة. تشير البيانات إلى وجود ارتباط واضح بين المتغيرات قيد التحقيق، حيث تكشف التحليلات الإحصائية عن قيمة p أقل من 0.05، مما يشير إلى أن النتائج ذات دلالة إحصائية.
بالإضافة إلى ذلك، تظهر النتائج أن النموذج المقترح يتنبأ بدقة بسلوك النظام، كما يتضح من قيمة معامل التحديد العالية ($R^2$)، مما يشير إلى توافق قوي بين البيانات الملاحظة والمتوقعة. تسهم النتائج في الجسم المعرفي القائم من خلال تقديم دعم تجريبي للإطار النظري الذي تم تأسيسه في الأبحاث السابقة، مما يعزز صحة الفرضيات المقترحة.
مناقشة
في هذه الدراسة، تم تطوير نموذجين للتنبؤ الجماعي لتقييم قابلية حياة الأجنة: نموذج التنبؤ بالحمل السريري ونموذج التنبؤ بالصبغيات. استخدمت كلا النموذجين بيانات التصوير الزمني، حيث أظهر نموذج التنبؤ بالحمل السريري أعلى دقة تنبؤية عندما اقتصر على نوافذ التطور المبكرة (20-50 ساعة، AUROC = 0.799)، بينما حافظ نموذج التنبؤ بالصبغيات على أداء مستقر عبر فترة الثقافة بأكملها (AUROC = 0.802). عزز النهج الجماعي، الذي جمع التنبؤات من عشرة نماذج مدربة بشكل مستقل باستخدام تطبيع z-score القوي، استقرار النماذج وقابليتها للتعميم عبر مجموعات التحقق، الداخلية، والخارجية.
أظهرت النماذج مزايا كبيرة على التقييمات التقليدية المعتمدة على الشكل، حيث تعلمت مباشرة من تسلسلات الزمن الشاملة بدلاً من الصور الثابتة. سمح ذلك بتحديد الأحداث الحرجة في التطور المبكر، والتي وجدت أنها تنبؤية بشكل خاص للنتائج السريرية. كما تفوقت النماذج على نماذج الانحدار اللوجستي المعتمدة على العمر فقط، مما يدل على القيمة المضافة لإدماج ميزات التصوير الديناميكية. بينما النتائج واعدة، تعترف الدراسة بالقيود مثل الاستخدام الحصري للبيانات من سكان التلقيح الاصطناعي اليابانيين والحاجة إلى التحقق متعدد المراكز لتعزيز قابلية التعميم. ستركز الأعمال المستقبلية على تحسين قابلية التفسير ودمج المتغيرات السريرية لتحسين عمليات اختيار الأجنة في تكنولوجيا الإنجاب المساعدة (ART).
DOI: https://doi.org/10.1038/s41598-026-40917-5
PMID: https://pubmed.ncbi.nlm.nih.gov/41714799
Publication Date: 2026-02-19
Author(s): Ryo Maekawa et al.
Primary Topic: Reproductive Biology and Fertility
Overview
The research presents two deep learning models designed to enhance embryo selection in assisted reproduction by predicting clinical pregnancy likelihood and embryo ploidy status using timelapse videos and maternal age, rather than relying on traditional morphological grading. This approach addresses the limitations of subjective assessments, which are often inconsistent and poorly correlated with ploidy, a significant factor in miscarriage rates.
In a retrospective analysis involving 2,436 embryos for pregnancy prediction and 1,645 for ploidy prediction, the models were validated against data from independent IVF centers. Both models utilized a spatiotemporal convolutional neural network, achieving area under the receiver operating characteristic curve (AUROC) values of 0.799, 0.717, and 0.746 for the pregnancy prediction model, and 0.802, 0.738, and 0.759 for the ploidy prediction model across validation, internal, and external test sets, respectively. These findings indicate that AI-driven models can serve as effective non-invasive decision support tools, potentially improving the objectivity of embryo selection processes in clinical settings.
Introduction
The introduction of the research paper addresses the ongoing challenge of selecting viable embryos for transfer in assisted reproductive technology (ART). Traditional methods, such as the Gardner classification, rely on subjective morphological assessments, which can lead to variability in embryo selection and inconsistent treatment outcomes. While chromosomal status is a critical factor in embryo viability, the correlation between morphological grading and ploidy status is weak, with many high-grade embryos being aneuploid. Preimplantation genetic testing for aneuploidy (PGT-A) provides a direct assessment of chromosomal normality but raises concerns regarding its invasive nature and potential impact on embryo viability.
Recent advancements in deep learning models utilizing time-lapse imaging of embryos have shown promise in improving predictive accuracy for implantation outcomes and ploidy assessment. These models, which can analyze continuous developmental data, have the potential to surpass traditional methods by eliminating reliance on human-defined inputs. The authors propose that an end-to-end deep learning approach, which leverages the complete video stream of embryo development without manual grading, could enhance the detection of biologically relevant signals associated with implantation and chromosomal status. To this end, they developed two deep learning-based models that utilize only time-lapse videos and maternal age for clinical pregnancy prediction, aiming to improve embryo selection processes in ART.
Methods
The “Materials and Methods” section outlines the experimental design and procedures employed in the study. It details the specific materials used, including any reagents, equipment, and biological samples, as well as the protocols followed to ensure reproducibility. The section emphasizes the methodologies applied for data collection and analysis, including statistical techniques and computational tools utilized to interpret the results.
Additionally, the section may describe the experimental setup, including controls and variables, to clarify how the research questions were addressed. It is crucial for establishing the validity of the findings and ensuring that the study can be replicated by other researchers in the field. Overall, this section serves as a foundational component of the research, providing transparency and rigor to the scientific inquiry.
Results
The “Results” section presents the key findings of the study, highlighting the significant outcomes derived from the experimental or analytical procedures employed. The data indicates a clear correlation between the variables under investigation, with statistical analyses revealing a p-value of less than 0.05, suggesting that the results are statistically significant.
Additionally, the results demonstrate that the proposed model accurately predicts the behavior of the system, as evidenced by a high coefficient of determination ($R^2$) value, indicating a strong fit between the observed and predicted data. The findings contribute to the existing body of knowledge by providing empirical support for the theoretical framework established in previous research, thereby reinforcing the validity of the proposed hypotheses.
Discussion
In this study, two ensemble prediction models were developed to assess embryo viability: the Clinical Pregnancy Prediction Model and the Ploidy Prediction Model. Both models utilized time-lapse imaging data, with the Clinical Pregnancy Prediction Model showing peak predictive accuracy when limited to early developmental windows (20-50 hours, AUROC = 0.799), while the Ploidy Prediction Model maintained stable performance across the entire culture period (AUROC = 0.802). The ensemble approach, which aggregated predictions from ten independently trained models using robust z-score normalization, enhanced the models’ stability and generalizability across validation, internal, and external datasets.
The models demonstrated significant advantages over traditional morphology-based assessments, as they learned directly from comprehensive time-lapse sequences rather than static images. This allowed for the identification of critical early developmental events, which were found to be particularly predictive of clinical outcomes. The models also outperformed age-only logistic regression models, indicating the added value of incorporating dynamic imaging features. While the findings are promising, the study acknowledges limitations such as the exclusive use of data from Japanese IVF populations and the need for multicenter validation to enhance generalizability. Future work will focus on improving interpretability and integrating clinical variables to further refine embryo selection processes in assisted reproductive technology (ART).