2024人工智能在生殖临床及质量管理应用的研究进展要点（全文）.docx

《2024人工智能在生殖临床及质量管理应用的研究进展要点（全文）.docx》由会员分享，可在线阅读，更多相关《2024人工智能在生殖临床及质量管理应用的研究进展要点（全文）.docx（11页珍藏版）》请在优知文库上搜索。

1、2024人工智能在生殖临床及庾属管理应用的研究进展要点(全文)摘要人工料能是新一代生产力。目前人工智能在医学领域的应用已取得一定的突破，已有成熟的人工智能模型应用于临床辅助决策，在辅助生殖医学领域，已建立了助孕结局预测、超声自动化监测、辅助促排卯过程的临床决策、精液自动分析和胚胎选择等方面的人工智能模型。本文综述人工智能在生殖临床的研究进展，探讨未来人工智能在生殖临床的质显控制和管理中存在的尚待解决的问题，为人工智能在辅助生殖临床的进步广泛应用提供建议。【关键词】人工智能；生殖临床；临床决策支持；质控制传统医疗活动依赖于临床医生的基本知识、检查检验结果、逻辑推理和经验总结，需要临床医生思考并做

2、出决策，治疗结局与医生的技术水平直接相关。类似于人脑，计算机可通过算法学习复杂数据内部的规律并输出决策，此过程即人工科能(artificia1.inte1.1.igence,A1.),受益于医疗信息系统的不断完善，医疗活动被以数据的形式记录、体冠巨大，计算机技术的飞速发展使这些数据得以充分使用，已有多个A1.模型成功获批应用于临床诊疗活动。辅助生殖技术H实施至今已有40余年历史，是不孕夫妇获得千代的重要治疗手段。国际辅助生殖技术监测委员会最新发布，全球每年有超过76万个试管婴儿诞生，旦随着不孕不育发病率的逐年攀升，对辅助生殖技术的需求也在逐年增加。作为一门新兴学科，辅助生殖技术成本高、过程繁琐

3、、对医疗硬件和专业技术要求高，存在严重的供需不平衡，急需寻求新的突破CAI很可能是解决上述问题的突破点。-.AI及其在医疗领域的应用机器学习是实现A1.的途径，根据算法特点，可分为传统机器学习和深度机器学习，传统机器学习算法往往在小型数据集、低更杂度问题方面表现出色，且算法易于理解和解释，但依赖于专家人为提取有意义的特征来建立模型；深度学习的核心思想是通过模拟人脑神经网络的结构和功能构建多层次的神经网络模型，自动学习原始数据集内部特征并输出决策，但其学习过程为黑匣子，无法解释其决策过程，旦运等过程耗时长，需占用极大的运行空间。AI相关产品已在医疗领域崭露头角。2018年，首个自主诊断眼底疾病的

4、AI产品(IDx-DR)获批使用，其准确性与资深专科医师无异；Esteva等口基于深度神经网络建在了皮肤癌的识别模型，通过上传照片即可辅助诊断是否考虑为恶性皮肤病变，准确率高达91%;医疗决策辅助工具IBMWatsonforonco1.ogy已在包括中国、美国等多个国家的肿痛中心使用，它为医生提供基于证据的治疗方案选择，特别在卵巢癌的治疗中，其决策与临床医生的决策一致率高达90%2o二AI在生殖临床的应用1 .AI辅助卵巢功能评估：卵巢功能的评估主要基于年龄、早卵泡期血清性激素水平(卵泡刺激素、雌激素和抑制素)、血清抗苗勒管激素(anti-MU1.1.erianhormone,AMH)水平及双

5、侧卵巢的窦卵泡数等，2015年，VentUre1.Ia等3基于单一广义线性模型纳入多因素建立了卵巢年龄的H匕模型Ovagc,该模型可较为准确地反映卵巢的储备功能和绝经时间。Ding等4基于多中心的1020名女性的相关指标建立了量化卵巢功能的模型，其中轻量梯度提升机模型效果展佳，对35岁以下女性卵巢功能评估的准确性高达99.49%。XU等5-6基于不孕女性群体助孕过程中的卵巢反应性、通过P1.顾性分析建立了卵巢功能的评估模型，简洁易用，可用于指导促排卵方案选择及调整促排卵药物。此外，李蓉教授团队基于AMH、月经周期、体质量指数(bodymassindex,BMI)及血消雄烯二酮建立了多囊卵巢综合

6、征(po1.ycysticovarysyndrome,PCOS)的预测工具，且置于网页供使用者自行评估PCOS的患病概率和危险分层，这有助于育龄期女性的健康管理和PCOS的早诊早治7o2 .自动化超声测盘：超声检查在女性生育力评估和生殖临床中都有着重要作用，主要包括窦卯泡数测盘、子官内膜厚度及形态的监测、促排卵过程中的卵泡监测。超声检查对操作人员的专业度要求较高，不仅耗时，在不同操作者和同一操作者间均存在误差。超声检杳主要涉及图像的判读，机器学习特别是深度学习对图像有着强大的处理能力，能自动提取图片信息,发现人眼无法发现识别的特征，学习、总结并输出决策，(1) H动计数窦卵泡：窦卯泡数是反映女

7、性卵巢储备功能的重要指标。目前应用较为广泛的是美国GE公司开发的半自动卵泡测及软件SonoAVC,该软件三维重建并标记窦卵泡，输出卵泡的平均直径和体积，避免了二维图像下的重复计数，较人工计数准确率更高、用时更少8,可配合人工纠错，去除软件识别错误的伪影并添加未被识别的卵泡。并且,SonoAVC测量的窦卵泡数与促排卵后获得的成熟卵泡数显.著相关，因此,SonoAVC软件辅助的窦卵泡计数可较真实地反映卵巢储备功能9。1.iang等10和1.i等11基于深度学习网络框架CR-Unet构建卵泡计数模型，计数窦卵泡的准确率高达90.2%,模型的表现与高年资超声技师类似，明显优于低年资超声技师，并且模型输

8、出结果的稳定性可达W0%o但目前建立的模型尚存在局限性，仅能计数窦卵泡，不能有效判读卵巢内及卵果外的病变(如子宫内膜异位囊肿、畸胎痛、输卵管积水等)，若存在上述病变，模型的准确性也明显卜降C(2) H动化卵泡监测：连续准确的卵泡发育监测可使患者获得适心的成熟卵干同时减少并发症的发生。目前超促排卵过程中的卵泡发育监测主要依赖人工，耗时长且对专业技术水平要求较高，此过程很大程度上决定了患者的等待时长甚至助孕结同，因此自动化卵泡测盘一直是学者关注的重点，近年来也取得了一定突破.既往受限于计算机技术和方法的限制，模型的建立多切于卵泡二维图像，以卵泡最大切面的直径代表卵泡大小，但在超促排卵过程中，卵泡形

9、态多是不规则的，卵泡体积较直径能更好地反映卵泡真实大小，且与卵子的成熟度更具相关性120有报道促排卵监测过程中，自动卵泡体积测出软件SonoAVC测殳卵泡的准确性优于人工,且软件的测球误差和变异幅度均较低、耗时较少13n超促排卵中分别使用Son。AVC软件及基于人工测量卵泡，临床医师据此调整剂量和扳机时间，结果显示，两组间助学结局无差别，但使用SonoAVC软件的用时明显更短口4。SriVaStaVa等15基FSFR-Net框架建立可自动示踪单个卵泡的生长发育过程的深度学习模型，虽然该模型目前尚不完善，但为白勖卵泡示踪提供可能,已有学者基于便携式阴道超声进行研究16,经过指导、患者自行在家进行

10、阴道超声检杳所获得的超声图像96%可达到临床需求，并且实酷参与者对自行进行阴道超声检查有更高的满意度。因此若能将便携超声检杳与AI卵泡追踪系统整合，患者自行完成卵泡监测并将数据上传系统，医生根据卵泡监测结果开具处方，这有望降低患者的排队就诊压力，提高医生的工作效率。(3)子宫内膜测唬：子宫内膜形态、厚度与妊娠率显著相关，是超声监测的一个Ir要方面17o但目前尚无确定子宫内膜边界的金标准，子宫内膜的测量结果变异较大。为准确测电子官内膜厚度，HU等18基于U-net架构利用中轴变换法计算子宫内膜厚度，该模型测盘误差在2mm范围内，该模型测量分泌期子宫内膜的误差明显高于增殖期f宫内膜。Park等19

11、则提出了一个新的深度学习架构，该架构通过判别器识别子宫内膜的关键点：子注内膜顶端、子宫内膜内口、子官内膜基底层与子宫前后壁交界处的最厚点，同时采用空洞卷积和空洞空间卷积池化金字塔(Atrousspatia1.pyramidpoo1.ing,ASPP)模块分析各种形态的子官内膜，该模型可对经阴道超声图像中的子宫内膜进行精确、稳定地定位及识别，模型效果优于其他传统图像分割模型C为将子宫内膜形态与妊娠更紧密地联系起来，Mori等20利用局部二值模式(IoCaIbinarypattern,1.BP)克法分析子方内膜图像，同时测量子宫内膜角度，建立了临床妊娠的预测模型，该模型卜分泌期子宫内膜图像预测妊娠

12、的成功率为78.9%,增殖期图像预测临床妊娠的成功率为60%o上述模型是AI在子宫内膜评估方面的初步尝试，虽原始模型取得了令人欣喜的成果，但尚未被外部验证，拒离临床使用仍有一段明斑。2019年Tran等21建立了预测妊娠的深度学习模型，纳入的因索仅有胚胎延时摄影参数，其预测妊娠的准确率可达93%,鉴于子宫内膜在妊娠中的重要作用，基于上述A1.模型纳入更多相关因素(如夫妻双方般情况、移植日子宫内膜图像特征等)是否会进一步增加模型的准确率值得深入研究。我们期望基于新的A1.模型能评估特定子宫内膜图像是否会更有利于(或不利于)妊娠的发生，这将为临床提供更高的参考价值。3.助孕临床妊娠率和活产率预测：

13、接受助学治疗的患者往往承担着巨大的心理和经济压力。目前，助孕夫妇成功率的预测多基于接诊医生的个人经验和该中心的数据，准确性难以评估。A1.可自行挖掘复杂数据之间的内部关系，并对同类数据做出准确预测。已有大成学者基于机器学习算法，纳入临床指标开发助孕活产率的预测模型，并将模型置于网页供患者进行自我评估(http:/型23-26,其中MC1.ernOn等24基于美国辅助生殖数据上报系统SARt-CORS所上报的88619对夫妇的121561个助学周期数据建立了患者首次及第二次助孕时的活产率预测模型，模型的内部验证准确率为0.71-0.73,该模型尚未被外部验证，虽模型效果尚不十分理想，但该模型建立

14、过程显示，纳入血清AMH指标可显著提高模型的准确率。Goya1.等23建立了进入周期前结局预测模型，分别使用经典机器学习、深度学习以及集成算法，纳入25种临床指标并分别基于有特征选择和无特征选择训练上述模型，结果显示，无特征选择条件下训练的随机森林模型预测活产率的准确性最高，其曲线下面积(areaunderthecurve,AUC)为0.846。妊娠的发生及维持是个漫K的过程，其影响因素繁多，因此目前已建立的结局顼测模型效果多不理想(AUC多低于085),但能给医患沟通提供一定的支探。值得注意的是，在传统临床指标的基础匕纳入基因和“组学”等指标是否有助于提鬲模型的成功率27,尚需进一步探索。4

15、.辅助临床决策:促排卯方案的选择是生殖临床决策中非常重耍的一部分。虽然越来越多的研究认为方案的选择对助孕结局影响较小28-29。但促排卵方案的选择与患者花费、返院次数和并发症的发生等直接相关，目前建立的临床助孕结局预测模型也多基于促排卵方案。目前尚未开发辅助选择促排卵方案的AI模型，未来基于患者需求、降低花费、减少并发症发生和缩短等待时间的方案决策系统将极大改善辅助生殖助孕流程，增加患者依从性。已建立的促性腺激素起始剂随AI模型相较于临床医生表现优异30-35,其中Fanton等33基于患者的年龄、BMkAMH和窦卵泡计数使用最近邻算法建匕了剂量-反应曲线,选择该模型预测的最佳剂员可使患者多获得1.5个成熟卵子，同时也可使反应欠佳患者节约1375U的卵泡剌激素（fo1.1.ic1.e-stimu1.atinghormone,FSH）而不膨响获得的成熟卵子数。1.etterie等36纳入病历系统中女方基本信息（年龄、BMkAMH和卖卵泡计数）、不孕原因、卵巢储备功能、促排卵方案、FSH剂量、扳机时雌激素水平、促性腺激素使用时间等信息，建立了临床决策支持系统,辅助在监测排卵的4个关键节点（是否取消周期、是否触发卵母细胞成熟、是否调整剂盘、安排卜次就诊时间间隔）制定决策