深度学习在辅助生殖技术领域的应用进展

doi:10.3969/j.issn.1006-5725.2024.07.003

实用医学杂志 ›› 2024, Vol. 40 ›› Issue (7): 893-897.doi: 10.3969/j.issn.1006-5725.2024.07.003

深度学习在辅助生殖技术领域的应用进展

胡希,李艳,刘洋()

昆明医科大学第二附属医院生殖医学科（昆明 650101 ）

收稿日期:2023-11-13 出版日期:2024-04-10 发布日期:2024-04-08
通讯作者: 刘洋 E-mail:13518735544@163.com
作者简介:刘洋，医学博士、主任医师、硕士研究生导师，昆明医科大学第二附属医院生殖医学科副主任。中国优生科学协会生殖道疾病临床诊治分会委员，云南省医师协会临床精准医疗专业委员会副主任委员，云南省女医师协会妇科分会副主任委员，云南省优生优育妇幼保健协会助孕与优生专业委员会副主任委员，云南省医师协会医学遗传学分会副主任委员。首批云南省万人计划“青年拔尖人才”，云南省“兴滇英才支持计划”名医项目，云南省卫健委医学学科带头人，云南省优秀青年骨干教师，国家级生殖健康咨询师，获云南省卫生科技教育管理协会科技进步二等奖、三等奖等，主持国家级、省厅级课题近十项，发表SCI论文数十余篇（累计影响因子89.64），中文核心期刊论文近百篇，获批实用新型专利12项，发表专著3部。E-mail：13518735544@163.com
基金资助:
云南省兴滇英才支持计划名医项目(XDYC- MY-2022-0057);云南省专业学位研究生教学案例库(20208007);昆明医科大学中青年学科带头人及后备人选-“乘风”人才培养计划(2023（108）)

Recent advances on the application of deep learning in assisted reproductive technology

Xi HU,Yan LI,Yang. LIU()

Department of Reproductive Medicine，the Second Affiliated Hospital of Kunming Medical University，Kunming 650101，China

Received:2023-11-13 Online:2024-04-10 Published:2024-04-08
Contact: Yang. LIU E-mail:13518735544@163.com

摘要/Abstract

摘要：

深度学习是人工智能领域一种机器学习方法，它模拟人类大脑神经网络的工作原理来解决复杂的问题，目前在医学领域已有许多重要的研究和应用，如影像诊断、生物医学数据处理、药物研发、个性化医疗等，提高了医疗诊断和治疗的准确性及效率。在辅助生殖领域，深度学习在干预过程中高效识别生长良好的胚胎、适宜的卵母细胞或精子，协助专业人员做出更为准确的选择，提高妊娠率，减少多胎妊娠风险。本文将综合归纳近5年深度学习在辅助生殖技术领域的最新应用进展，并对今后研究方向进行展望。

关键词: 深度学习, 辅助生殖技术, 体外受精, 胚胎质量, 精子形态, 卵母细胞

Abstract:

Deep learning is a machine learning method in the field of artificial intelligence， which simulates the workings of the neural network of the human brain to solve complex problems， and has been used in many important researches and applications in the field of medicine， such as diagnostic imaging， biomedical data processing， drug research and development， personalized medicine， etc.， which improves the accuracy and efficiency of diagnosis and treatment. In the field of assisted reproduction， deep learning could efficiently identify well-grown embryos， suitable oocytes， or sperms during the intervention process， assisting medical staff to make more accurate choices to improve pregnancy rates and reduce the risk of multiple pregnancies. This paper summarizes the latest advances in the application of deep learning in the field of assisted reproduction technology in the past 5 years， and provides an outlook for future research.

Key words: deep learning, assisted reproductive technology, in vitro fertilization, embryo quality, sperm morphology, oocyte

中图分类号:

R446.1

胡希,李艳,刘洋. 深度学习在辅助生殖技术领域的应用进展[J]. 实用医学杂志, 2024, 40(7): 893-897.

Xi HU,Yan LI,Yang. LIU. Recent advances on the application of deep learning in assisted reproductive technology[J]. The Journal of Practical Medicine, 2024, 40(7): 893-897.

参考文献 33

1	BI W L， HOSNY A， SCHABATH M B，et al. Artificial intelligence in cancer imaging： Clinical challenges and applications［J］. CA Cancer J Clin， 2019，69（2）：127-157. doi:10.3322/caac.21552 doi: 10.3322/caac.21552
2	周德富，邹廉，陈瑛. 人工神经网络在体外受精胚胎评估中的应用［J］. 中华检验医学杂志， 2022，45（3）： 310-314. doi:10.3760/cma.j.cn114452-20210811-00496 doi: 10.3760/cma.j.cn114452-20210811-00496
3	于医萍，高一博，方兰兰，等. 机器学习在体外受精-胚胎移植技术中的应用［J］. 中华生殖与避孕杂志， 2021，41（10）： 883-892. doi:10.3760/cma.j.cn101441-20200428-00251 doi: 10.3760/cma.j.cn101441-20200428-00251
4	GARDNER D K， LANE M， STEVENS J，et al. Reprint of： Blastocyst score affects implantation and pregnancy outcome： towards a single blastocyst transfer［J］. Fertil Steril，2019，112（4 ）：e81-e84. doi:10.1016/j.fertnstert.2019.08.077 doi: 10.1016/j.fertnstert.2019.08.077
5	MUSHTAQ A， MUMTAZ M， RAZA A，et al. Artificial Intelligence-Based Detection of Human Embryo Components for Assisted Reproduction by In Vitro Fertilization［J］. Sensors， 2022，22（19）： 7418. doi:10.3390/s22197418 doi: 10.3390/s22197418
6	CHAVEZ-BADIOLA A， FLORES-SAIFFE-FARÍAS A， MENDIZABAL-RUIZ G， et al. Embryo Ranking Intelligent Classification Algorithm（ERICA）： artificial intelligence clinical assistant predicting embryo ploidy and implantation［J］. Reprod Biomed Online， 2020， 41（4）： 585-593. doi:10.1016/j.rbmo.2020.07.003 doi: 10.1016/j.rbmo.2020.07.003
7	ORMANN C L， KANAKASABAPATHY M K， THIRUMALARAJU P， et al. Performance of a deep learning based neural network in the selection of human blastocysts for implantation［J］. Elife，2020，9： e55301. doi:10.7554/elife.55301 doi: 10.7554/elife.55301
8	LOEWKE K， CHO J H， BRUMAR C D， et al. Characterization of an artificial intelligence model for ranking static images of blastocyst stage embryos［J］. Fertil Steril， 2022，117（3）： 528-535. doi:10.1016/j.fertnstert.2021.11.022 doi: 10.1016/j.fertnstert.2021.11.022
9	FITZ V W， KANAKASABAPATHY M K， THIRUMALARAJU P，et al. Should there be an “AI” in TEAM？Embryologists selection of high implantation potential embryos improves with the aid of an artificial intelligence algorithm［J］. J Assist Reprod Genet， 2021，38（10）： 2663-2670. doi:10.1007/s10815-021-02318-7 doi: 10.1007/s10815-021-02318-7
10	UENO S， BERNTSEN J， ITO M， et al. Pregnancy prediction performance of an annotation-free embryo scoring system on the basis of deep learning after single vitrified-warmed blastocyst transfer： a single-center large cohort retrospective study［J］. Fertil Steril，2021，116（4）： 1172-1180. doi:10.1016/j.fertnstert.2021.06.001 doi: 10.1016/j.fertnstert.2021.06.001
11	VERMILYEA M， HALL J M M， DIAKIW S M， et al. Development of an artificial intelligence-based assessment model for prediction of embryo viability using static images captured by optical light microscopy during IVF［J］. Hum Reprod， 2020，35（4）： 770-784. doi:10.1093/humrep/deaa013 doi: 10.1093/humrep/deaa013
12	纪冰，马学工，李斌业，等. Time-lapse培养与常规培养卵裂期胚胎移植的妊娠及新生儿结局分析［J］. 实用医学杂志， 2020，36（21）： 3001-3004. doi:10.3969/j.issn.1006-5725.2020.21.023 doi: 10.3969/j.issn.1006-5725.2020.21.023
13	KRAGH M F， RIMESTAD J， BERNTSEN J， et al. Automatic grading of human blastocysts from time-lapse imaging［J］. Comput Biol Med， 2019，115： 103494. doi:10.1016/j.compbiomed.2019.103494 doi: 10.1016/j.compbiomed.2019.103494
14	LEE C I， SU Y R， CHEN C H， et al. End-to-end deep learning for recognition of ploidy status using time-lapse videos［J］. J Assist Reprod Genet， 2021，38（7）： 1655-1663. doi:10.1007/s10815-021-02228-8 doi: 10.1007/s10815-021-02228-8
15	HUANG T T F， KOSASA T， WALKER B， et al. Deep learning neural network analysis of human blastocyst expansion from time-lapse image files［J］. Reprod Biomed Online， 2021，42（6）： 1075-1085. doi:10.1016/j.rbmo.2021.02.015 doi: 10.1016/j.rbmo.2021.02.015
16	HUANG B， ZHENG S， MA B， et al. Using deep learning to predict the outcome of live birth from more than 10，000 embryo data［J］. BMC Pregnancy Childbirth， 2022，22（1）： 36. doi:10.1186/s12884-021-04373-5 doi: 10.1186/s12884-021-04373-5
17	TRAN D， COOKE S， ILLINGWORTH P J， et al. Deep learning as a predictive tool for fetal heart pregnancy following time-lapse incubation and blastocyst transfer［J］. Hum Reprod， 2019，34（6）： 1011-1018. doi:10.1093/humrep/dez064 doi: 10.1093/humrep/dez064
18	DUVAL A， NOGUEIRA D， DISSLER N， et al. A hybrid artificial intelligence model leverages multi-centric clinical data to improve fetal heart rate pregnancy prediction across time-lapse systems［J］. Hum Reprod， 2023，38（4）： 596-608. doi:10.1093/humrep/dead023 doi: 10.1093/humrep/dead023
19	JIANG V S， KANDULA H， THIRUMALARAJU P， et al. The use of voting ensembles to improve the accuracy of deep neural networks as a non-invasive method to predict embryo ploidy status［J］. J Assist Reprod Genet， 2023，40（2）： 301-308. doi:10.1007/s10815-022-02707-6 doi: 10.1007/s10815-022-02707-6
20	FIRUZINIA S， AFZALI S M， GHASEMIAN F， et al. A robust deep learning-based multiclass segmentation method for analyzing human metaphase II oocyte images［J］. Comput Methods Programs Biomed， 2021，201： 105946. doi:10.1016/j.cmpb.2021.105946 doi: 10.1016/j.cmpb.2021.105946
21	LIANG X， LIANG J， ZENG F， et al. Evaluation of oocyte maturity using artificial intelligence quantification of follicle volume biomarker by three-dimensional ultrasound［J］. Reprod Biomed Online， 2022，45（6）： 1197-1206. doi:10.1016/j.rbmo.2022.07.012 doi: 10.1016/j.rbmo.2022.07.012
22	JIANG V S， KARTIK D， THIRUMALARAJU P， et al. Advancements in the future of automating micromanipulation techniques in the IVF laboratory using deep convolutional neural networks［J］. J Assist Reprod Genet， 2023，40（2）： 251-257. doi:10.1007/s10815-022-02685-9 doi: 10.1007/s10815-022-02685-9
23	杨静薇，邓成艳，黄学锋，等. 中华医学会生殖医学分会2019年度辅助生殖技术数据报告［J］. 生殖医学杂志， 2022，31（8）：1015-1021.
24	CENTERS FOR DISEASE CONTROL AND PREVENTION. 2019 Assisted Reproductive Technology Fertility Clinicand National Summary Report［EB/OL］. .
25	LEE R， WITHERSPOON L， ROBINSON M， et al. Automated rare sperm identification from low-magnification microscopy images of dissociated microsurgical testicular sperm extraction samples using deep learning［J］. Fertil Steril， 2022，118（1）： 90-99. doi:10.1016/j.fertnstert.2022.03.011 doi: 10.1016/j.fertnstert.2022.03.011
26	ABBASI A， MIAHI E， MIRROSHANDEL S A. Effect of deep transfer and multi-task learning on sperm abnormality detection［J］. Comput Biol Med， 2021，128： 104121. doi:10.1016/j.compbiomed.2020.104121 doi: 10.1016/j.compbiomed.2020.104121
27	MARÍN R， CHANG V. Impact of transfer learning for human sperm segmentation using deep learning［J］. Comput Biol Med，2021，136： 104687. doi:10.1016/j.compbiomed.2021.104687 doi: 10.1016/j.compbiomed.2021.104687
28	RIORDON J， MCCALLUM C， SINTON D. Deep learning for the classification of human sperm［J］. Comput Biol Med， 2019，111： 103342. doi:10.1016/j.compbiomed.2019.103342 doi: 10.1016/j.compbiomed.2019.103342
29	JAVADI S， MIRROSHANDEL S A. A novel deep learning method for automatic assessment of human sperm images［J］. Comput Biol Med， 2019，109： 182-194. doi:10.1016/j.compbiomed.2019.04.030 doi: 10.1016/j.compbiomed.2019.04.030
30	VALIUŠKAITĖ V， RAUDONIS V， MASKELIŪNAS R， et al. Deep Learning Based Evaluation of Spermatozoid Motility for Artificial Insemination［J］. Sensors （Basel）， 2020，21（1）：72. doi:10.3390/s21010072 doi: 10.3390/s21010072
31	袁启龙，蒋满波，陆杉，等. 轻中度精索静脉曲张所致精子DNA碎片异常行保守干预对体外受精胚胎质量的影响［J］. 实用医学杂志，2020，36（12）： 1644-1648. doi:10.3969/j.issn.1006-5725.2020.12.019 doi: 10.3969/j.issn.1006-5725.2020.12.019
32	MCCALLUM C， RIORDON J， WANG Y， et al. Deep learning-based selection of human sperm with high DNA integrity［J］. Commun Biol， 2019，2： 250. doi:10.1038/s42003-019-0491-6 doi: 10.1038/s42003-019-0491-6
33	NOY L， BARNEA I， MIRSKY S K， et al. Sperm-cell DNA fragmentation prediction using label-free quantitative phase imaging and deep learning［J］. Cytometry A， 2023，103（6）： 470-478. doi:10.1002/cyto.a.24703 doi: 10.1002/cyto.a.24703

[1]	熊钰莹,史若锦,朱海瑛,金龙. 褪黑素提高二苯酮-3暴露小鼠早期胚胎体外发育潜能的研究[J]. 实用医学杂志, 2024, 40(7): 904-909.
[2]	向佳,陈茜彤,卢颖欣,郑思捷,黄俊杰,陈莹莹,黄绥丹,陈淮. 基于深度学习在弥漫性囊腔性肺疾病分类中的应用[J]. 实用医学杂志, 2024, 40(19): 2747-2754.
[3]	李欣雨,吴洋,张红梅,尹立雪,彭博,谢盛华. 深度学习技术在超声心动图图像质量控制中的应用[J]. 实用医学杂志, 2024, 40(1): 108-113.
[4]	王媛媛刘文娟黄莉阮建兴翁慧男刘风华 . 输卵管因素不孕患者在体外受精-胚胎移植前行腹腔镜手术的获益程度 [J]. 实用医学杂志, 2023, 39(4): 442-446.
[5]	郭润财,王蕾,黄振国,席霖枫,张帅,刘敏. 基于从头训练模式深度学习卷积神经网络模型评估急性肺栓塞的价值[J]. 实用医学杂志, 2023, 39(22): 2979-2983.
[6]	王世铭,祁琳,刘亚平,苏迎春. 内膜厚度与体外受精-胚胎移植妊娠结局的研究进展[J]. 实用医学杂志, 2023, 39(21): 2698-2703.
[7]	刘居理,陈胜辉,李琳,姚文亮,杨丽娟,饶研文. 精子膜及线粒体活性氧对男性生育力的影响及其在辅助生殖技术中的应用[J]. 实用医学杂志, 2023, 39(21): 2704-2708.
[8]	尹锦雯朱海瑛肖国宏. 生理浓度二苯酮⁃3暴露对小鼠卵母细胞体外成熟及其质量的影响 [J]. 实用医学杂志, 2022, 38(9): 1052-1055.
[9]	覃茜李晶晶范莉黄品秀. 黄体期与卵泡期全量长效促性腺激素释放激素激动剂降调方案临床结局的比较 [J]. 实用医学杂志, 2022, 38(9): 1056-1059.
[10]	刘馨蜜刘景吴珊珊. 空气污染对辅助生殖技术影响的相关研究进展及挑战[J]. 实用医学杂志, 2022, 38(21): 2639-2642.
[11]	罗刚泮思林乔思波庞善臣陈涛涛孙玲玉董玉坤. 深度学习技术在胎儿超声心动图图像自动识别中的应用[J]. 实用医学杂志, 2022, 38(14): 1830-1833.
[12]	陈潇, 崔媛媛, 谭颖, 林盛, 何毅超, 张清健, 宋革, . 血清胰岛素样生长因子1在供精⁃体外受精胚胎移植黄体期长方案临床结局中的预测价值 [J]. 实用医学杂志, 2022, 38(13): 1642-1646.
[13]	周敏郭春. 子宫内膜异位症性不孕患者自然妊娠及IVF/ICSI后早期自然流产率的回顾性研究 [J]. 实用医学杂志, 2021, 37(19): 2464-2467.
[14]	詹少泉郑海燕曹明珠刘见桥毛玉玲龙晓林刘寒艳 . hCG日孕酮过高或过低对年轻累积活产率的影响全胚冷冻患者周期 [J]. 实用医学杂志, 2021, 37(13): 1690-1694.
[15]	孙贤姜宏刘迎春倪丰朱杰 . 卵母细胞玻璃化冷冻的临床应用价值 [J]. 实用医学杂志, 2021, 37(11): 1423-1427.

深度学习在辅助生殖技术领域的应用进展

Recent advances on the application of deep learning in assisted reproductive technology

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献 33

相关文章 15

编辑推荐

Metrics

本文评价