在辅助生殖技术（assisted reproductive technology，ART）中，传统的胚胎选择是通过静态形态学特征综合评估胚胎的原核期、卵裂期和囊胚期等发育阶段以挑选具有最大种植潜力的胚胎。但该评估方法需要在固定时间内将胚胎置于倒置显微镜下观察，使得胚胎频繁暴露于培养箱外环境中，从而会影响胚胎质量^[1] 。同时胚胎学家也有可能错过一些与胚胎质量和植入潜力相关的关键发育过程，例如卵裂模式。近年来，胚胎时差成像技术（time-lapse technology，TLT）的出现改变了这一情景。因为该技术通过连续拍摄记录胚胎的动态学参数，全程监控胚胎的体外发育过程，获得胚胎发育的动态信息，从而为选择高发育潜能胚胎提供更多参考信息，是1种新的无创胚胎质量评估体系^[2]。《人类卵裂期胚胎及囊胚形态学评价中国专家共识》^[3]明确指出，TLT的应用有助于选取具有更高发育潜能的卵裂期胚胎。此外，大量研究表明TLT在预测胚胎植入^[4-5]。

影响胚胎临床结局除了胚胎质量还有胚胎染色体，有研究表明移植染色体异常的胚胎会降低着床率并增加流产率^[6-7]。目前，检测胚胎染色体整倍性最常用的方法是胚胎植入前非整倍体遗传学检测（preimplantation genetic testing for aneuploidy，PGT - A）技术。然而，该技术存在一些局限性：活检操作可能对胚胎造成损伤，影响子代的安全性和降低胚胎的发育潜能，以及不同比例的嵌合现象对胚胎选择的干扰。因此，临床上迫切需要1种对胚胎影响更小，检测准确率更高的非侵入性的胚胎染色体整倍性检测方法。虽然形态力学参数可用于区分整倍体和非整倍体胚胎^[8−11]，但其预测能力有限，目前不能替代PGT-A^[12]。近年来，人工智能（artificial intelligence，AI）在医疗领域的应用逐渐扩大， TLT和AI结合可以通过对胚胎发育视频进行分析、识别、分类和评估，解决人工标注低效性、主观性的问题，建立胚胎选择预测模型。随着数据的积累，通过AI自主学习对模型进行不断优化，必将提高TLT预测胚胎种植潜能的能力。

1.   TLT在预测胚胎妊娠结局上的应用

TLT通过不间断的对胚胎进行拍照，形成发育视频，从而避免传统形态学评估的局限性。有些研究发现异常的卵裂模式不利于胚胎的着床^[13-14]，在1项关于定量形态学参数与胚胎发育的Mate分析中也证实这一结果^[15]。Gazzo等^[4]在对184例的单胚胎移植进行对比研究中发现，基于KIDscoreTM D5算法（KIDscoreTM D5 algorithm ，KS5）评分的胚胎选择，可以提高单胚胎的种植率。Macedo等^[16]研究发现，形态动力学参数：第二极体（the second polar corpuscle，CPap）、原核消失（pronuclei disappearance，PNbd）、到达2细胞时间（time from insemination to the 2-cell stage， t2）和3-4细胞卵裂同步性（synchronization of the three-to-four-cell，S2）可以预测高质量胚胎。Yang等^[17]利用TLT对157个生殖泡期（germinal vesicle，GV）卵母细胞的体外成熟（in vitro maturation ，IVM）过程的回顾性研究表明，GV到第一次减数分裂中期（metaphase Ⅰ，MⅠ）的持续时间与形成高质量胚胎之间具有相关性。多项临床应用研究表明，TLT可以提高临床妊娠率（P = 0.006）^[18]、种植率（P = 0.0001）^[5]，并减少早期妊娠丢失（P = 0.01 ）^[19]。Chera-Aree等^[20]将250个胚胎1∶1分组，分别进行TLT和常规培养，研究发现TLT组的活产率（P = 0.013）、种植率（P = 0.004）和临床妊娠率（P = 0.002）均显著高于常规组。在1项双盲、多中心的随机对照实验中，Kieslinger等^[21]认为TLT的应用不能改善临床结果。

研究表明，TLT是选择移植胚胎的有效方法^[22]，在选择单胚移植时可以维持妊娠率^[23]，这就为减少移植胚胎数，降低多胎妊娠率提供一个更好的策略。然而，田可可等^[24]研究表明，在单卵裂期胚胎移植中，应用TLT虽可改善妊娠结局，但其临床妊娠率仍低于囊胚期的单胚移植，且早期流产率没有显著性差异。胚胎染色体的异常，是导致种植率下降和流产率增加的重要原因^[6-7]。

综上所述，TLT可以改善胚胎妊娠结局，但对改善流产率的结果不一致，如表1所示。分析原因可能与移植胚胎的嵌合型和非整倍性有关，二者都会造成植入失败和妊娠失败，从而大大影响ART治疗的结局。

表  1  TLT在预测胚胎妊娠结局上的应用

Table  1.  Application of TLT in predicting embryo pregnancy outcomes

结论	参考文献
异常的卵裂模式不利于胚胎的着床	Liu等[13，15]、Rubio等[14]、
基于KIDscoreTM D5算法评分的胚胎选择，可以提高治疗的单胚胎种植率	Gazzo等[4]
CPap、PNbd、 t2和S2可以预测质量较高的胚胎	Macedo等[16]
GV到MI的持续时间与形成高质量胚胎之间具有相关性。	Yang等[17]
TLT可以提高临床妊娠率	Guo等[18]
TLT可以提高种植率	Kovacs等[5]
TLT可以减少早期妊娠丢失	Rubio 等[19]
研究发现TLT组的活产率、种植率和临床妊娠率均显著高于常规组	Chera-Aree等[20]
认为时差成像技术的应用不能改善临床结果。	Kieslinger等[21]
TLT能够选择移植的胚胎	Iwasawa等[22]
TLT在选择单胚移植时可以维持妊娠率	Haikin Herzberger等[23]
TLT虽可改善妊娠结局，但其临床妊娠率仍低于囊胚期的单胚移植，且早期流产率没有 显著性差异。	田可可等[24]

下载: 导出CSV 

| 显示表格

2.   TLT在预测胚胎染色体整倍性中的应用

妊娠结局与胚胎的染色体整倍性相关，PGT-A是目前常用的检测方法，但其具有一定的局限性。通过研究TLT捕捉到的胚胎发育过程的异常现象，发现染色体异常的胚胎会出现多原核、异常卵裂、卵裂球碎片化、在8细胞前停止发育、囊胚扩张时间增加和动态学参数显著延迟等形态动态学参数的异常，这就为应用非侵入性技术检测胚胎整倍性提供了可能^[25−28]。Basile等^[8]在对504个胚胎进行的回顾性队列研究中发现，染色体整倍性正常和异常胚胎在到达5细胞时间（Time from insemination to the 5-cell stage ，t5）、第1、2次有丝分裂间隔时间（time from division from 2 cells to 3 cells，cc2）、第2、3次有丝分裂间隔时间 （time from division from 3 cells to 4 cells，cc3）和2细胞到5细胞间隔时间（time interval between 2 and 5 cells，t5-t2）等参数上存在显著性差异。Chawla等^[9]在研究中证实了这一结果，同时还发现tPNf在染色体整倍性正常和异常胚胎之间也存在显著性差异。Campbell等^[10]研究发现，胚胎致密化开始时间（time from insemination to start of compaction，tSC； P = 0.02）和囊胚形成时间（time from insemination to formation of full blastocyst ，tB； P = 0.01）在整倍性和非整倍性胚胎中存在显著性差异。在1项回顾性的观察研究中，Huang等^[11]发现囊胚扩张的动态学参数与胚胎的整倍性有相关性。

以上多个研究表明，TLT可以在预测胚胎染色体整倍性上具有应用潜力。但Rienzi等^[29]研究认为，已有的16个动态学参数与胚胎染色体非整倍体率之间没有相关性，可能与纳入患者的治疗类型：卵胞质内单精子注射（intracytoplasmic sperm injection， ICSI）和PGT-A患者的基础情况：患者的年龄>36岁、曾经经历过失败的试管婴儿治疗、2次或2次以上自然流产等多种因素有关。Gazzo等^[4]在基于KS5评分系统的研究中，发现评分与胚胎染色体整倍体率成正相关，还提高了单个整倍体囊胚移植的种植率。TLT在胚胎倍性的预测能力见表2。

表  2  TLT在预测胚胎染色体整倍性中的应用

Table  2.  Application of TLT in predicting embryo chromosomal ploidy

结论	参考文献
染色体整倍性正常和异常胚胎在t5、cc2、cc3和t5-t2等参数上存在显著性差异。	Basile等[8]、Chawla等[9]
发现tPNf在染色体整倍性正常和异常胚胎之间也存在显著性差异。	Chawla等[9]
tSC和tB在整倍性和非整倍性胚胎中存在显著性差异。	Campbell等[10]
发现囊胚扩张的动态学参数与胚胎的整倍性有相关性。	Huang等[11]
16个动态学参数与胚胎染色体非整倍体率之间没有相关性，可能与纳入患者的治疗类型和 患者的基础情况等多种因素有关。	Rienzi等[29]
KS5评分系统的评分与胚胎染色体整倍体率成正相关，还提高了单个整倍体囊胚移植的 种植率。	Gazzo等[4]

下载: 导出CSV 

| 显示表格

综上所述，TLT使用的动态学参数预测胚胎染色体整倍性有一定的能力，但也存在着局限性，例如预测准确性差、无法检测某些单基因遗传病、结果可能会受多种因素的影响、研究结果在不同研究组之间不一致等。因此，TLT目前还不足以替代PGT-A^[12]，需要更多的随机对照试验来全面评估TLT在胚胎染色体整倍性检测应用中的有效性。

3.   TLT和AI结合在预测胚胎种植潜能中的应用

目前，AI在图像识别和分析、病理学诊断、基因组学和生物信息学、患者监测、药物研发、健康管理、医疗机器人等医学领域发展迅速。TLT和AI结合可以通过对胚胎发育视频进行分析、识别、分类和自动进行标注及评估，也可以通过大数据的纳入和自主学习来优化评估模型，从而提高胚胎评估的准确性和可靠性，更好预测胚胎的种植潜力和提高ART治疗的成功率^[30−32]。

现阶段，TLT与AI结合的常用模型主要有深度学习、时间周期一致性、自监督学习和注意力分支网络等模型。其中，深度学习模型中的深度神经网络（deep neural network，DNN）、深度卷积神经网络（convolutional neural networks，CNN）的应用较为广泛。基于胚胎遗传学的主要模型有遗传学AI模型、整倍体预测算法等。

深度学习模型是通过对胚胎发育的图像进行分析，采用AI驱动的软件可自动化观测和标准化评估胚胎各发育参数，并自动注释。时间周期一致性评估是通过自监督学习，将标记和未标记的数据用于学习和模型训练^[33]，并使用数据驱动的算法作为辅助工具进行标准化培训和考核，以及性能改进。加上非自监督学习和自监督学习算法，进行不断的学习，来实现高精度的胚胎图像分类，获取客观的形态学参数。然后，结合动态学模型、临床结局、染色体倍性建模，最后不断纳入优化， 并在胚胎选择上对胚胎进行排序。其中遗传学AI模型强调通过评估敏感性（正确预测整倍体）、特异性（正确预测非整倍体）和总体准确性，来预测胚胎倍性。整倍体预测算法则是通过计算DNA的整倍性状态，从而预测胚胎中的染色体异常情况。此外，TLT与AI结合对普遍认为无利用价值的第7天胚胎进行评估，为反复移植失败患者，提高了胚胎利用率^[34]。

通过TLT观察，囊胚扩张与胚胎结局有一定的相关系^[35-36]，而AI可以从未经编辑的TLT的图像文件中定量描述囊胚扩张成度，从而预测囊胚的植入率^[37-38]。数字化囊胚形态学的评分与所有嵌合体阈值水平有显著相关性，为鉴别非整倍性风险的囊胚提供了一个新的无创方法^[39] 。Jørgen Berntsen等^[40]通过分析来自18个IVF中心的大型TLT数据集，利用深度学习技术建立了基于TLT图像序列的胚胎选择模型，创建了全自动iDAScore v1.0模型，该模型的评分与质量成正比。TLT与深度学习模型（AUC = 0.968）^[30]、注意力分支网络（AUC = 0.642）^[41]相结合，均可对胚胎发育进行自动化标注和标准化形态评估，并预测囊胚移植活产率。深度学习模型（AUC = 0.74）^[42]和整倍体预测算法（euploid prediction algorithm，EPA）模型（AUC = 0.80）^[43]能很好的预测胚胎的染色体整倍性。Elena Paya等^[44] 利用TLT技术获取的胚胎发育视频，建立了一个深度学习模型，其预测整倍体的准确度达到了 0.8205。该模型的灵敏度、特异性、F1-Score和准确度分别为 0.6957、 0.7813、 0.7042和 0.7308。Zou等^[45]在对传统机器学习、深度学习和加入临床特征后的预测结果进行对比发现，临床特征加入后，可提高模型预测胚胎倍性和植入的能力。深度学习模型中的DNN和CNN在预测胚胎种植率上也有一定的应用价值。在1项基于DNN的iDAScore研究中发现：在行PGT-A后，胚胎评分与活产显着相关（P < 0.05） ^[46]。通过DNN（AUC > 0.98） ^[47]和长短期记忆（long short-term memory LSTM）网络（AUC = 0.79）^[48]对大量的胚胎发育图像进行分析，可提高预测胚胎质量的准确性。研究表明，CNN有助于客观地了解胚胎发育状况，对胚胎进行形态分级和选择^[49−54]。 Bormann 等^[31]用CNN对97个临床患者的742个胚胎进行选择，观察到选择到最优质量胚胎的准确率可达到90%；通过对比5个不同生殖中心的15名胚胎学家的配套评估结果，该模型对预测整倍体胚胎的种植潜能的能力显著优于人工评估（75.26% vs 67.35%，P < 0.0001）。相比于仅分析TLL参数的算法，基于多中心临床数据的训练算法的预测能力更佳，可以显著提高治疗临床结局的预测能力^[55]。在1项基于已知的着床数据（known implantation data，KID）评分进行建模的多中心研究中，Petersen等^[56]发现该数据模型在预测胚胎的种植潜能（AUC = 0.650）、囊胚发育潜能（AUC = 0.745）和囊胚质量（AUC = 0.679）方面有较好的预测价值。

此外，Diakiw等^[57]根据对第5天囊胚图像的评估，证明了基于遗传学的AI模型对胚胎整倍性的预测的准确性，该模型的评分与胚胎整倍体率之间存在显着相关性且适用范围更广。De等^[58]在随机森林分类器（random forest classifier ，RFC）模型中使用了包括胚胎形态动态学、标准胚胎发育，以及患者的人口统计和临床特征等数据集，其预测胚胎整倍性的准确率高于70%。Yuan等^[32]研究表明，结合形态动态学特征、囊胚的形态学特征和患者的临床参数建立的模型，在预测整倍体方面表现出很好的效果（AUC = 0.879）。综上所述，临床数据的加入对AI和TLT结合模型预测能力的优化非常关键。TLT和AI结合在预测胚胎种植潜能中的应用见表3。

表  3  TLT和AI结合在预测胚胎种植潜能中的应用

Table  3.  Application of TLT and AI combined in predicting embryo implantation potential

AI模型	结论	参考文献
深度学习模型	可以预测胚胎质量。	Jørgen Berntsen等[40]、Lee 等[46]
	可以预测活产率。	Huang 等[30]
	可以预测胚胎的染色体整倍性。	Lee 等[42]
	可以对胚胎进行形态分级和选择。	Leahy等[49]、Thirumalaraju等[50]、Hammer等[51]、Danardono等[52]、Kanakasabapathy等[53]、Ueno等[54]、UenoBormann 等[31]
	利用TLT技术获取的胚胎发育视频，建立模型，其预测整倍体的准确度达到了 0.8205	Elena Paya等[44]
	对大量的胚胎发育图像进行分析，可提高预测胚胎质量的准确性	Khosravi[47]
注意力分支网络	对胚胎发育进行自动化标注和标准化形态评估，并预测囊胚移植 活产率。	Sawada 等[41]
EPA	能很好的预测胚胎的染色体整倍性。	Huang 等[43]
LSTM	可预测胚胎质量的准确性。	Liao 等[48]
遗传学AI模型	预测预测胚胎倍性。	Diakiw等[57]
RFC模型	预测胚胎倍性。	De等[58]
没有明确模型	AI结合TLT对普遍认为无利用价值的第7天胚胎进行评估，为反复移植失败患者，提高了胚胎利用率。	Cimadomo 等[34]
	AI定量描述囊胚扩张成度，从而预测囊胚的植入率。	Lagalla等[37] Huang等[38]
	数字化囊胚形态学的评分预测胚胎非整倍性。	Chen 等[39]
	基于多中心临床数据的训练算法的预测能力更佳，可以显著提高治疗临床结局的预测能力。	Duval 等[55]
	在1项基于KID评分进行建模的多中心研究中，发现该数据模型在预测胚胎的种植潜能、囊胚发育潜能和囊胚质量方面有较好的 预测价值。	Petersen等[56]
	结合形态动态学特征、囊胚的形态学特征和患者的临床参数建立的模型，在预测整倍体方面表现出很好的效果。	Yuan等[32]

下载: 导出CSV 

| 显示表格

4.   小结

TLT在对ART治疗结局和胚胎整倍性的预测上，都有一定的应用潜能。但其预测能力有限，尤其是对整倍体胚胎的预测能力较低。TLT需要与其他技术相结合提来提高其预测能力。TLT和AI模型相结合为胚胎发育提供更为客观的形态注释和标准化评估。同时，结合囊胚形成时间、形态学分级及染色体整倍性，为胚胎选择提供新的方向。目前，TLT和AI结合预测胚胎的整倍性准确性仍需进一步提升，还不能代替PGT-A，但为非侵入性的胚胎整倍性检测提供了新的方向和可能性。

现阶段TLT和AI结合的模型比较多，各生殖中心所使用的模型存在差异，因此需要大量的数据验证以找到1种可以统一适用的模型，这是未来发展的趋势。随着TLT的使用，形态动力学参数的数据会越来越多，加上AI技术的快速发展，使得建立统一适用模型得以实现。 TLT与AI结合建模的优势显而易见，尤其在加入临床参数以后，建模结果可以得到显著的提升。因此，临床参数对提高TLT和AI建模的预测能力后至关重要。近年来，随着单细胞测序和全基因组测序技术的快速发展，代谢组学、基因组学和蛋白质组学在预测胚胎种植潜能方面也取得了一些进展。然而这些方法都有其优势和局限性，仍需要不断发展和完善。TLT和AI结合以及代谢组学、基因组学和蛋白质组学的应用，都为探索预测胚胎种植潜能的无创方法提供了重要的研究基础。