DOI: https://doi.org/10.1038/s41746-025-02331-5
PMID: https://pubmed.ncbi.nlm.nih.gov/41520018
تاريخ النشر: 2026-01-10
المؤلف: Qiang Gao وآخرون
الموضوع الرئيسي: وظيفة المبيض والاضطرابات
نظرة عامة
تقدم البحث VaTEP (نموذج الفيديو والجدول لتوقع الأجنة)، وهو نموذج جديد متعدد الوسائط مصمم لتعزيز اختيار الأجنة وتوقع نتائج الحمل في التخصيب في المختبر (IVF). بينما حسنت الذكاء الاصطناعي بالفعل من اختيار الأجنة الآلي وتوقع النتائج، يبرز الدراسة فجوة في الأساليب متعددة الوسائط التي يمكن أن تميز بين نتائج محددة مثل الحمل الأحادي مقابل الحمل المتعدد والإجهاض مقابل الولادة الحية.
يدمج VaTEP مقاطع الفيديو من نظام الزمن المتقطع (TLS) مع البيانات السريرية الجدولية، حيث يتم التدريب المسبق في البداية على مهام مثل إعادة بناء فيديو TLS وتوقع مرحلة تطور الجنين للاستفادة من الديناميات الزمانية المكانية المعقدة لبيانات الفيديو. يستخدم النموذج استراتيجية أخذ عينات متعددة الإطارات وإطار تعلم متعدد المهام لتحسين توقعاته، مما يقدر في النهاية احتمالات اكتشاف نبض القلب الجنيني، الحمل الأحادي مقابل الحمل المتعدد، والإجهاض مقابل الولادة الحية. تهدف هذه المقاربة الشاملة إلى تعزيز اختيار الأجنة، وتقليل مخاطر فشل الزرع، ودعم اتخاذ القرارات الشخصية في العلاجات الإنجابية، وبالتالي تعزيز نتائج IVF الأكثر أمانًا وفعالية.
مقدمة
تتناول مقدمة ورقة البحث القضية الصحية العالمية للعقم، التي تؤثر على حوالي 48 مليون زوج و186 مليون فرد. يتم تسليط الضوء على التخصيب في المختبر (IVF) كتكنولوجيا مساعدة رئيسية في الإنجاب، مما يؤدي إلى ولادة 10 إلى 13 مليون طفل حول العالم. يعتمد نجاح IVF بشكل أساسي على اختيار الأجنة القابلة للحياة، والتي يتم تقييمها عادةً من خلال التقييم المورفولوجي باستخدام تصوير نظام الزمن المتقطع (TLS). ومع ذلك، فإن هذه الطريقة تتطلب جهدًا كبيرًا وعرضة للتغير، مما يؤدي إلى معدل حمل تراكمي يبلغ 32.4% فقط لعمليات نقل الأجنة الطازجة. تؤثر عوامل سريرية متنوعة، بما في ذلك عمر الأم، ومستويات هرمون مضاد مولر، وسمك بطانة الرحم، بشكل كبير على نتائج IVF.
تشدد الورقة على الحاجة إلى استراتيجيات IVF شخصية تدمج بين المعلمات المورفوكينيتية والبيانات السريرية. لقد سهلت التطورات الأخيرة في الذكاء الاصطناعي اختيار الأجنة الآلي وتوقع النتائج، مع دراسات تظهر إمكانيات الأطر العميقة متعددة الوسائط. يقترح المؤلفون نموذجًا جديدًا، VaTEP، الذي يستخدم مهام إعادة بناء فيديو TLS وتوقع مرحلة الجنين لتعزيز استخراج الميزات والأداء التنبؤي عبر نتائج سريرية متعددة، بما في ذلك توقع نبض القلب الجنيني، وتصنيف الحمل الأحادي مقابل الحمل المتعدد، وتوقع الإجهاض مقابل الولادة الحية. تهدف هذه المقاربة إلى تحسين تقييمات صلاحية الأجنة وتحسين اتخاذ القرارات السريرية في ممارسات IVF.
الطرق
تحدد قسم “الطرق” الإجراءات التجريبية والتحليلية المستخدمة في الدراسة. توضح اختيار المشاركين، وتصميم التجارب، والتقنيات الإحصائية المستخدمة في تحليل البيانات. استخدم الباحثون إطار تجربة عشوائية محكومة لضمان موثوقية النتائج، مع تخصيص المشاركين إما للمجموعة التجريبية أو مجموعة التحكم.
شملت جمع البيانات قياسات موحدة وتقييمات ذات صلة بسؤال البحث، مما يضمن الاتساق عبر جميع التجارب. تم إجراء التحليلات الإحصائية باستخدام أدوات البرمجيات، مع تطبيق الاختبارات المناسبة لتقييم أهمية النتائج. تم تصميم المنهجية لتقليل التحيز وتعزيز صحة الاستنتاجات المستخلصة من الدراسة.
المناقشة
تقدم قسم المناقشة في ورقة البحث أداء وآثار نموذج VaTEP في توقع نبض القلب الجنيني، الحمل الأحادي مقابل الحمل المتعدد، ونتائج الإجهاض مقابل الولادة الحية في IVF. يدمج نموذج VaTEP بفعالية الميزات المورفوكينيتية من مقاطع فيديو الزمن المتقطع (TLS) والمتغيرات السريرية، مما يظهر دقة تنبؤية متفوقة مقارنة بالنماذج الأحادية والنماذج المتطورة عبر مهام متعددة. من الجدير بالذكر أن أداء النموذج يتحسن بشكل كبير عند استخدام نهج متعدد الوسائط واستراتيجيات التدريب المسبق، حيث حقق دقة قدرها 0.7403 (± 0.0079) لتوقع نبض القلب الجنيني و0.9145 (± 0.0148) لتوقع الإجهاض مقابل الولادة الحية. تشير النتائج إلى أن VaTEP لا يعزز فقط مراقبة جودة الأجنة ولكن أيضًا يساعد في تحسين استراتيجيات نقل الأجنة، مما قد يقلل من المخاطر المرتبطة بالحمل المتعدد.
علاوة على ذلك، تسلط الدراسة الضوء على قوة النموذج عبر مجموعات فرعية مختلفة من المرضى وقدرته على الحفاظ على الأداء التنبؤي حتى في الحالات الصعبة حيث تختلف آراء الخبراء. يتماشى دمج المتغيرات السريرية مثل عمر الأنثى، وAMH، وFSH في النموذج مع المعرفة الطبية الراسخة، مما يعزز من أهميته السريرية. على الرغم من نتائجه الواعدة، يعترف المؤلفون بالقيود، بما في ذلك القيود الجغرافية لمجموعة البيانات والحاجة إلى التحقق المستقبلي. بشكل عام، يمثل VaTEP تقدمًا كبيرًا في الطب الإنجابي، حيث يقدم أداة شاملة مدفوعة بالبيانات للأطباء لتعزيز اتخاذ القرارات وتحسين نتائج المرضى في IVF.
DOI: https://doi.org/10.1038/s41746-025-02331-5
PMID: https://pubmed.ncbi.nlm.nih.gov/41520018
Publication Date: 2026-01-10
Author(s): Qiang Gao et al.
Primary Topic: Ovarian function and disorders
Overview
The research introduces VaTEP (Video and Table model for Embryo Prediction), a novel multimodal prediction model designed to enhance embryo selection and pregnancy outcome forecasting in in vitro fertilization (IVF). While artificial intelligence has already improved automated embryo selection and outcome predictions, the study highlights a gap in multimodal approaches that can differentiate between specific outcomes such as singleton versus multiple pregnancies and miscarriage versus live birth.
VaTEP integrates time-lapse system (TLS) videos with tabular clinical data, initially pretraining on tasks like TLS video reconstruction and embryo developmental phase prediction to leverage the intricate spatiotemporal dynamics of the video data. The model employs a multiple frame sampling strategy and a multitask learning framework to refine its predictions, ultimately estimating probabilities for fetal heartbeat detection, singleton versus multiple pregnancies, and miscarriage versus live birth. This comprehensive approach aims to enhance embryo selection, reduce the risk of implantation failures, and support personalized decision-making in reproductive treatments, thereby promoting safer and more effective IVF outcomes.
Introduction
The introduction of the research paper addresses the global health issue of infertility, affecting approximately 48 million couples and 186 million individuals. In vitro fertilization (IVF) is highlighted as a pivotal assisted reproductive technology, resulting in the birth of 10 to 13 million infants worldwide. The success of IVF is primarily dependent on the selection of viable embryos, typically assessed through morphological evaluation using time-lapse system (TLS) imaging. However, this method is labor-intensive and prone to variability, leading to a cumulative pregnancy rate of only 32.4% for fresh embryo transfers. Various clinical factors, including maternal age, anti-Müllerian hormone levels, and endometrial thickness, also significantly influence IVF outcomes.
The paper emphasizes the need for personalized IVF strategies that integrate both morphokinetic parameters and clinical data. Recent advancements in artificial intelligence have facilitated automated embryo selection and outcome prediction, with studies demonstrating the potential of multimodal deep learning frameworks. The authors propose a novel model, VaTEP, which utilizes TLS video reconstruction and embryo phase prediction tasks to enhance feature extraction and predictive performance across multiple clinical outcomes, including fetal heartbeat prediction, singleton versus multiple pregnancy classification, and miscarriage versus live birth prediction. This approach aims to improve embryo viability assessments and optimize clinical decision-making in IVF practices.
Methods
The “Methods” section outlines the experimental and analytical procedures employed in the study. It details the selection of participants, the design of the experiments, and the statistical techniques used for data analysis. The researchers utilized a randomized controlled trial framework to ensure the reliability of the results, with participants assigned to either the experimental or control group.
Data collection involved standardized measures and assessments relevant to the research question, ensuring consistency across all trials. Statistical analyses were performed using software tools, applying appropriate tests to evaluate the significance of the findings. The methodology was designed to minimize bias and enhance the validity of the conclusions drawn from the study.
Discussion
The discussion section of the research paper presents the performance and implications of the VaTEP model in predicting fetal heartbeat, singleton versus multiple pregnancies, and miscarriage versus live birth outcomes in IVF. The VaTEP model effectively integrates morphokinetic features from time-lapse sequencing (TLS) videos and clinical variables, demonstrating superior predictive accuracy compared to both unimodal and state-of-the-art models across various tasks. Notably, the model’s performance improves significantly when utilizing a multimodal approach and pre-training strategies, achieving an accuracy of 0.7403 (± 0.0079) for fetal heartbeat prediction and 0.9145 (± 0.0148) for miscarriage versus live birth prediction. The findings suggest that VaTEP not only enhances embryo quality monitoring but also aids in optimizing embryo transfer strategies, thereby potentially reducing the risks associated with multiple pregnancies.
Furthermore, the study highlights the model’s robustness across different patient subgroups and its ability to maintain predictive performance even in challenging cases where expert opinions vary. The integration of clinical variables such as female age, AMH, and FSH into the model aligns with established medical knowledge, reinforcing its clinical relevance. Despite its promising results, the authors acknowledge limitations, including the geographical restriction of the dataset and the need for prospective validation. Overall, VaTEP represents a significant advancement in reproductive medicine, offering a comprehensive, data-driven tool for clinicians to enhance decision-making and improve patient outcomes in IVF.