今天小编搜索有关体外受精（IVF）时看到这篇今年发表在Nature子刊的文章，顿时被其标题和内容所深深吸引住了。本文作者是美国胚胎学家，共用了10148个胚胎（来自Weill Cornell Medicine的生殖中心），作者为了解决传统IVF过程中出现的问题而想出了一种创新方法。

因为传统体外受精过程涉及取卵、受精、胚胎植入这三关键步骤，在传统上用肉眼难以观察判断受精卵的发育状况，而且在最后胚胎移植时通常要放入多个桑葚胚，无可避免地会发生多胎妊娠。

于是，作者就这两个缺陷根据深层神经网络提出用人工智能技术检测胚胎质量，间隔拍摄出的大量胚胎照片去筛选出高质量的桑葚胚。之后，作者根据Google的初始模型构建一个名叫STORK的框架，STORK能预测桑葚胚质量。最后，作者利用临床数据构建一个决策树，综合分析体外培养中胚胎质量与准妈妈年龄之间的关系。

来看看作者怎样构建这个STORK：

先由胚胎学专家对临床上体外培养的受精卵分级（3AA、3AA-……2B-B），根据成功妊娠几率对每张胚胎照片标记为质量好、质量中等和质量差，统计学方法分析不同各等级胚胎与受孕几率的关系，再用专门的GoogLeNet算法（此称为STORK）分析出质量好和质量差的胚胎。

最后，还有一个专门的数学公式算出单次成功妊娠的几率：

那怎样才能判断体外培养中胚胎发育状况是好是坏呢？

作者用深度神经网络对质量好和质量差的胚胎分析出的结果，曲线下面积=AUC=0.987。

STORK与胚胎学分级相辅相成，以STORK还能对质量一般的胚胎进行精确判断为高质量和低质量，比如图上两幅图，图b的桑葚胚质量明显要比图a的好很多。

作者还做了这张热图，分析对比STORK和5位胚胎学家判断胚胎质量的预测准确率。STORK只输出好和不好这两个等级。胚胎学家用Gardner分级系统评估胚胎质量，他们根据妊娠几率把等级转换为三个不同的质量分数：高质量（橙色）、质量一般（灰色）、质量差（蓝色）。

最后，作者构建了这决策树分析准妈妈年龄与胚胎质量的相互关系。

作者通过上述的研究结果，得出以下结论就是：通过深层化机器学习，通过专门的算法解决一些医学成像问题，目前深度神经网络CNN是专门用于图像分析的最成功的模型。有了CNN，胚胎学家就能更精确推测体外培养中胚胎质量，筛选出单个质量最优的桑葚胚，以移植入准妈妈的子宫内。

通过对此文的解读，我们可以理出这篇文章的大致研究方法：

1. 对各级胚胎成像、分类、分级。

2. 数据准备。

3. 用独门算法应用DNN网络分析胚胎成像问题。

4. 透过STORK，利用Tensorflow软件和TF-Slim Python库评估模型。

一句话，作者在已有的临床数据的基础上，运用机器学习的其中一范畴，通过数据挖掘，利用独门算法解决传统的胚胎成像问题，分析各级胚胎的发育状况。

参考文献:

Khosravi P, Kazemi E, Zhan Q, Malmsten JE, Toschi M, Zisimopoulos P, Sigaras A, Lavery S, Cooper LAD, Hickman C, Meseguer M, Rosenwaks Z, Elemento O, Zaninovic N, Hajirasouliha I. Deep learning enables robust assessment and selection of human blastocysts after in vitro fertilization. NPJ Digit Med. 2019 Apr 4;2:21.

• END •