大數據分析與人工智慧在IVF及PGT-A的應用

2021年10月李俊逸醫師受邀於國內生育醫學會與波士頓試管嬰兒研究總監Dr. Denny Sakkas與丹麥ORIGIO胚胎學總監Dr. Steven Fleming一同演講，探討生殖實驗室管控及研究團隊、精蟲挑選技術及單一胚胎對於試管嬰兒成功率的幫助，同時，李俊逸醫師也大方分享自身將AI人工智慧大數據分析應用於試管嬰兒幫助不孕夫妻的成果，與國內外生殖專家切磋交流。

以下節錄李俊逸醫師的精華內容

人工智慧是什麼?

相信有看過電影《模仿遊戲》的人對於圖靈不陌生，從他開始有了AI人工智慧的概念，1956年才有AI這個詞的誕生。然而，第一例試管嬰兒在1978年誕生，經過20多年後，才有冷凍胚胎的成功案例，2013年則開啟了胚胎縮時攝影技術，可謂是生殖領域正是導入AI人工智慧的技術的元年。
 

大家一定也曾聽過AI人工智慧(Artificial Intelligence)及機器學習(Machine Learning,以下簡稱ML)，這裡簡單解釋兩種差異：

機器學習：透過人為篩選分類過的資料庫作為學習模型，可說是點對點的學習方式，由科學家標籤化分類資料讓機器學習。

AI人工智慧：透過非線性的多層次概念，也就是模擬人腦的思考方式進行學習，目前常見的方式有深度學習(Deep learning,簡稱DL)

深度學習DL為目前主流的AI學習方式，取代科學家人為的特定標籤，利用多層次的神經網絡建立複雜的自動標籤化學習，深度學習是完全由AI從大數據中學習的新里程碑，不僅運用電腦運算快速的優勢，更減少了人為出錯的機會及盲點。

人工智慧在生殖醫學的應用

當我們有了病人的資料，例如：電子病歷紀錄裡的病人特徵、治療紀錄等，同時精子、胚胎影像、胚胎動力特徵、還有縮時攝影影像，甚至是基因的資訊都可利用AI智能以不同的方法加以訓練。

在胚胎縮時攝影開始發展後，人們更開始有機會了解胚胎的生長狀況，更進一步將AI人工智慧導入生殖領域中。其中生殖專家們分別以ANNs(人工神經網絡)、MLP(多層感知器)、PCA(主成分分析或特徵提取法)、貝氏網絡、SVM(支持向量機)、CNN(卷積神經網絡)、RNN等AI人工智慧學習模式，運用胚胎動力學特徵、胚胎細胞分裂過程中的碎裂程度、囊胚擴張大小、胚胎有無空泡、多核及胚胎滋養層的長度等胚胎生長細節的資料去評估胚胎的好壞結果，甚至預測著床率。

我去年發表在RBM Online的這篇論文(Comparison of Morphokinetic Variables in Blastocysts with Different Chromosomal Statues)不只探討了胚胎動力學與胚胎染色體異常與否的關聯，也對鑲嵌體進行了分析，結果發現可從胚胎縮時攝影參數的變化預測胚胎的良莠程度。

根據過去的文獻及延續茂盛醫院的研究，顯示女生的年紀越高與胚胎的異常度有高度關聯性，在取卵數目、成熟的卵數也有一定程度影響。同時在胚胎發展分裂的型態中，我們也用很多不同的胚胎發育參數來做分析，發現若在4細胞期有多核的現象，未來胚胎染色體異常的比例會較高。同時觀察到囊胚擴張等級以多元變量分析有助於提高胚胎師對於胚胎染色體異常的預測精準度。

隨著AI智能的演進，我們可以用深度學習的方法來分析資料，幫助臨床胚胎師及醫師找出較好的胚胎來提高成功率。在今年五月刊登在JARG期刊上的主題也是利用深度學習分析胚胎縮時攝影影像及胚胎的已知染色體結果(以PGT-A確認胚胎染色體狀態)，進而預測胚胎的好壞。

在這個研究中Model Architecture是這個預測模型的核心，我們的AI智能演算採用Two-Stream Inflated 3D ConvNet (I3D) model 作為深度學習的基底，因為I3D對動態影像辨識有較好的效能。

其中影像代表的是胚胎外觀的連續變化，而下方的光流（Optical flow）則表示胚胎的motion資訊，顏色愈紅代表motion強度愈強，可以觀察到主要劇烈變動都是在胚胎內部（外圍變動主要是因為雜訊變動）。

將兩種特徵輸入至模型中可以得到兩個結果，再將其合併預測染色體異常（Group 1）和其他情況（Group 2）。

此AI模型的分成六個步驟

第1個步驟是資料收集： 我們將胚胎縮時影像資料匯出, 並且對應到該胚胎的PGT-A檢測結果

第2個步驟是資料前處理 : 我們大約每0.5 hpi 擷取一個Frames, 並且計算其光流數值

第3個步驟是為後續驗證的資料切分 : 我們隨機取出80%的樣本當作訓練集,  20%的樣本作為測試集

第4個步驟是資料增強(Data Augmentation), 我們隨機對輸入的影像進行水平或垂直的翻轉, 如果是RGB的Format, 我們進行對比度(Contrast)調整和平移轉換

第5個步驟是模型訓練：我們利用ImageNet和Kinetics的網路架構進行Pre-training, 讓Two-Stream Inflated 3D ConvNet (I3D) model基於預訓練過（Pre-trained）的權重之上再做微調

第6個步驟是模型驗證：我們的模型效能驗證是用AUC分數, 並且分析預測結果的分佈(Distribution )

這項AI智慧選胚學習應用不僅是胚胎篩選的另一項新選擇，更是卵數較少、胚胎長不大到第五天的試管媽媽們的未來新希望。

舉凡最簡單的Google 圖像辨識到我們身邊常用的手機Siri的人工智慧技術都在蓬勃發展，而在生殖領域裡 AI的應用研究雖然以每年1.7倍的速度增加，但比起其他的AI健康領域來說，生殖研究的質跟量相對缺乏，需要投入更多研究量能才能大規模在臨床上使用，尤其是在挑選胚胎的AI技術發展，能有助於提高試管嬰兒的著床率、活產率。

很榮幸茂盛醫院生殖醫學中心擁有獨立的研究團隊及本土數據庫，團隊成員各是在生殖醫療研究多年的翹楚，將生殖技術發展的過去經驗，融入最新的AI人工智慧學習模式，以及大量試管周期數的大數據庫，進一步發展出更符合不孕夫妻的AI智慧技術，期望未來團隊一步一腳印地的研究創新，幫助他們再創生育的希望。