人工智能胚胎见证系统的开发，用于在人类体外受精实验室中准确跟踪和识别患者特异性胚胎（⬅点击左侧文字观看视频）
研究问题：卷积神经网络（CNN）能否作为一种见证系统来准确跟踪和识别发育卵裂阶段的患者特异性胚胎？
简要回答：我们在人类艺术实验室开发了第一个人工智能驱动的见证系统，用于精确跟踪卵裂和囊胚期胚胎。
已经知道的是：有报道称胚胎追踪中的人为错误导致了与亲生父母不同的基因组成的孩子的出生。临床实践依靠人工识别、条形码或射频识别技术来跟踪胚胎。这些系统设计用于跟踪培养皿，但无法监测培养皿内正在发育的胚胎，以帮助确保无错误的患者匹配。在此之前，我们开发了一个AI见证系统，以100%的准确率追踪胚泡。本研究的目标是确定是否可以开发一个AI见证系统，准确追踪卵裂期胚胎。
研究设计、规模、持续时间：预先开发的深度神经网络技术首先在4944个胚胎图像上进行训练和测试。该算法处理每个患者的胚胎图像，并生成一个唯一的密钥，该密钥与60 hpi的患者ID相关，这构成了我们的库。当算法在64 hpi下评估胚胎时，它生成了另一个密钥，该密钥与库中患者的唯一密钥相匹配。
参与者/材料、环境、，方法：CNN在60 hpi和64 hpi两个时间点对412名患者的3068个胚胎进行了检查。选择这些时间点是因为它们反映了我们实验室评估第3天胚胎（60 hpi）的时间以及我们将其移到另一个培养皿并准备移植的时间（64 hpi）。患者队列范围为每个月3-12个胚胎病人
主要结果和机会的作用：CNN正确匹配患者身份与患者胚胎队列的准确性为100%（CI:99.1%至100.0%，n=412）。
局限性，警告理由：本研究的局限性包括所有胚胎均在相同条件下，在相同的胚胎镜下成像。此外，本研究仅检测了培养4小时的第3天新鲜胚胎。未来的研究应包括使用不同成像系统捕获的新鲜和冷冻/解冻胚胎的图像。
研究结果的更广泛含义：本研究描述了第一种基于人工智能的体外受精实验室卵裂阶段胚胎跟踪和患者标本识别方法。该技术基于每个胚胎特有的独特形态特征，提供了一个稳健的见证步骤。
试验注册号：这项工作得到了Brigham精准医学发展奖（Brigham精准医学项目，Brigham and Women's Hospital）、Partners Innovation Discovery Grant（Partners Healthcare）以及R01AI118502和R01AI138800的部分支持。
