最近发表在《eClinicalMedicine》上的一项研究评估了人工智能（AI）算法在非侵入性预测胚胎整倍性方面的有效性。通过分析胚胎图像，AI有望在不进行侵入性检测的情况下预测胚胎的染色体状况，从而为辅助生殖技术提供支持。
胚胎非整倍性如何检测？
胚胎非整倍性是指染色体数量异常，这是导致植入失败、妊娠丢失和先天性异常的主要原因之一。在体外受精（IVF）中，早期胚胎的非整倍性率在25%到40%之间，其发生率随着母亲年龄的增长而增加。虽然基于活检的植入前遗传学检测（PGT-A）可以确定胚胎的整倍性，从而改善IVF结果，但这种方法成本高、侵入性强，并受到伦理和法律限制，因此其应用范围有限。
通过机器学习和深度学习模型，AI已经显示出在准确预测胚胎整倍性方面的潜力。然而，仍需进一步研究以提高这些方法的预测可靠性和临床适用性。
研究概况
本研究在国际系统评价前瞻性注册中心（PROSPERO）注册，并遵循系统评价和meta分析报告指南（PRISMA）和预测模型研究系统评价的关键评估和数据提取指南（CHARMS）。研究人员在Publisher Medline（PubMed）、Medical Literature Analysis and Retrieval System Online（MEDLINE）、Excerpta Medica Database（Embase）、Institute of Electrical and Electronics Engineers（IEEE）、SCOPUS、Web of Science和Cochrane Central Register数据库中进行了全面的文献搜索。搜索内容包括开发用于评估人类胚胎整倍性的AI算法的研究。搜索策略包括AI、基因检测和染色体异常等关键词。截至2024年8月10日发表的研究，如果报告了诊断结果如敏感性、特异性和预测值或包含相关2x2列联表数据，则符合条件。
两名独立评审员筛选了文章，如有分歧则咨询第三名评审员。排除了未使用AI模型、使用非人类样本、重复发表和各种出版类型的文献，如社论。两名评审员使用标准化表格系统地提取数据，以确保准确性。当可用时，从列联表计算诊断指标如敏感性和特异性。
使用质量评估诊断准确性研究的人工智能标准（QUADAS-AI）进行质量评估，并评估潜在偏倚和适用性，任何差异由第三名评审员解决。主要结局指标包括敏感性（Se）、特异性（Sp）和曲线下面积（AUC），通过分层汇总受试者操作特征曲线和双变量随机效应模型进行分析。通过元回归探索异质性，评估因素包括算法类型和地理位置。Deekas漏斗图评估了发表偏倚，而亚组分析则识别了额外的异质性来源，如AI模型类型、注释方法和偏倚风险。
研究发现
初步搜索得到4,774条记录，其中1,543条重复记录被删除。通过筛选标题和摘要排除了2,837项研究，剩下65项研究进行全文审查。最终，20项研究符合纳入标准，其中12项提供了足够的数据用于meta分析。这16项研究中有16项是回顾性的，2项是前瞻性双盲AI模型评估，2项未指定研究设计。没有研究使用开放访问图像，8项研究排除了低质量图像，12项研究未涉及这一因素。7项研究进行了外部验证，使用非样本数据集。10项研究使用了深度学习（DL），5项使用了机器学习（ML），5项同时使用了这两种方法。
AI驱动的决策支持系统（DSS）被分为黑箱、灰箱和透明箱三类，分别有4项、5项和5项研究。4项研究使用了黑箱或灰箱模型，2项研究使用了灰箱或透明箱模型。AI算法的汇总诊断性能显示，敏感性为0.67，特异性为0.58，AUC为0.67。选择各研究中最高准确性的列联表后，敏感性和特异性分别提高到0.71和0.75，AUC提高到0.80。通过Fagan标尺进行临床效用分析，假设整倍体胚胎的患病率为46%，阳性预测值为71%，阴性预测值为75%。
使用QUADAS-AI工具评估研究质量，结果显示19项研究在患者选择方面存在高或不确定的偏倚风险，主要是由于缺乏开源数据和严格的外部验证。异质性分析显示显著变异性，敏感性的不一致性指数（I²）为97.7%，特异性的不一致性指数为92.2%。阈值效应是造成这种异质性的原因之一，即整倍体胚胎的诊断截止值存在差异。
元回归分析确定了影响异质性的因素，包括AI算法类型、DSS类别、注释方法、外部验证、偏倚风险、母亲年龄、样本量和出版年份。敏感性和特异性呈负相关，这在诊断准确性研究中经常观察到。Deekas漏斗图未显示发表偏倚的证据。亚组分析表明，DL模型的AUC高于ML模型，分别为0.71和0.63。结合图像和临床数据的研究表现更佳，AUC为0.71，而仅使用图像数据的研究AUC为0.62。外部验证、较低的偏倚风险、纳入母亲年龄和较大的样本量对模型结果有积极影响。较新的研究也显示出更高的特异性和AUC，从而证明了AI模型准确性随时间的提高。
结论
尽管PGT-A广泛用于通过检测染色体异常来改善妊娠结果，但其侵入性增加了某些并发症的风险，如子痫前期和前置胎盘，对妊娠或活产率的益处有限。因此，开发可靠且非侵入性的整倍性预测方法至关重要。
AI已经在多个临床领域得到应用，具有支持辅助生殖中胚胎评估的潜力。然而，现有的AI模型在整倍性预测方面尚未达到取代PGT-A所需的准确性，应作为胚胎选择的支持工具。
参考文献：
Xin, X., Wu, S., Xu, H., et al. (2024). Non-invasive prediction of human embryonic ploidy using artificial intelligence: a systematic review and meta-analysis. eClinicalMedicine. doi:10.1016/j.eclinm.2024.102897
(全文结束)
