AI预测卵巢反应，优化IVF治疗，提升试管婴儿成功率

2次阅读

共计 2215 个字符，预计需要花费 6 分钟才能阅读完成。

过去十年，个体化卵巢刺激已成为体外受精（IVF）治疗中的核心策略。确定合适的外源性促卵泡激素（FSH）起始剂量，对于平衡治疗效果与安全性至关重要。早期的临床实践往往强调“越多越好”，追求最大获卵数。然而，当前共识已转向实现适度的卵巢反应，以优化活产率，同时最大限度地减少患者不适和卵巢过度刺激综合征（OHSS）等医源性风险。因此，在刺激周期开始前准确预测卵巢反应，是优化治疗结局的关键环节。

尽管窦卵泡计数（AFC）、抗苗勒管激素（AMH）水平和体重指数（BMI）等生物标志物与卵巢反应密切相关，但显著的个体间和个体内差异限制了其预测的精确性。仅凭这些指标调整 FSH 剂量，并未能持续改善临床结局。这凸显了对更全面、数据驱动方法的需求，即需要整合更广泛的临床与生物学因素。

AI 预测卵巢反应，优化 IVF 治疗，提升试管婴儿成功率

人工智能（AI）与机器学习（ML）的进展为改善辅助生殖领域的决策提供了新机遇，其应用已涵盖精液分析、囊胚分级和扳机日评估。一些 ML 模型也被开发用于预测获卵数（NOR）或对卵巢反应性进行分类。然而，大多数现有模型仍有局限：它们通常依赖有限的基线特征，采用单一模型框架，且主要关注治疗有效性（如获卵数），对包括 OHSS 在内的安全性结局关注不足。这些局限性表明，需要一个能同时预测有效性和安全性的综合框架。此外，尽管存在多种基于证据的 FSH 剂量算法，但即使在基线特征相似的患者中，卵巢反应仍存在显著差异。一个能够联合预测不同 FSH 剂量下 NOR 和 OHSS 风险的模型，将能提供有价值的预测信息，支持剂量特异性决策，帮助临床医生在个体化选择 FSH 剂量时，更好地权衡疗效与安全。

本研究利用来自两个 IVF 中心的数据集，开发了用于预测 NOR 和早发型中重度 OHSS 的 ML 模型。性能最优的模型被整合到一个面向临床医生的决策支持原型系统中，称为“个体化卵巢刺激指南”（InOvaSGuide），并辅以一个基于网络的计算器。对于每位患者，该系统能生成个体化的剂量 - 反应曲线，展示在不同 FSH 起始剂量下预测的 NOR 和早发型中重度 OHSS 概率，从而为个体化卵巢刺激提供支持。,

本研究为回顾性预后分析，已获相关伦理委员会批准。研究纳入两个独立 IVF 中心的患者数据，内部数据集来自湘雅医院，外部数据集来自深圳市罗湖区人民医院。纳入标准为首次接受卵巢刺激周期的 20 至 40 岁女性，排除了卵巢储备功能减退和使用微刺激方案的患者，以确保模型训练的稳健性。最终，内部数据集纳入 6401 名患者，外部数据集纳入 3805 名患者。

研究的主要结局指标是获卵数（NOR）和早发型中重度 OHSS 的发生。所有相关临床变量均从数据库中提取。为了提高预测准确性并保持医学可解释性，研究进行了特征工程，生成了“FSH 与 LH 比值”和“FSH 起始剂量与 BMI 比值”等新变量。随后，应用 Boruta 算法进行特征选择，为 NOR 预测模型选出 17 个关键变量，为 OHSS 预测模型选出 19 个变量。,

研究分别开发了用于预测 NOR 的回归模型和用于预测 OHSS 的分类模型。对于 NOR 预测，训练了包括线性回归、随机森林、梯度提升等在内的 11 种机器学习算法。性能评估显示，梯度提升回归器表现最佳，在内部和外部验证数据集中均表现出很强的解释力和高准确性。

对于 OHSS 预测，由于事件发生率低导致的类别不平衡问题，研究评估了多种重采样策略，最终采用成本敏感学习方法。在众多算法中，梯度提升分类器在内部和外部验证中均显示出最佳且稳健的性能，其 ROC 曲线下面积（AUC）值分别高达 0.9655 和 0.9523，表明模型具有出色的区分能力。,

为应对个体化卵巢刺激的临床挑战，研究将性能最优的 NOR 和 OHSS 预测模型整合到一个集成的决策支持系统中，命名为“个体化卵巢刺激指南”（InOvaSGuide）。该系统旨在在卵巢刺激开始前，为临床医生提供预测信息。

系统的核心功能是生成个体化的剂量 - 反应曲线。临床医生只需输入患者的基线特征（如年龄、BMI、AMH、AFC 等），系统便会计算出在不同 FSH 起始剂量下，预测的获卵数（疗效）和发生早发型中重度 OHSS 的概率（风险）。这种可视化的曲线能够直观地展示疗效与风险随剂量变化的权衡关系，辅助医生为每位患者选择最合适的、个性化的 FSH 起始剂量，从而在最大化获卵数的同时，最小化 OHSS 风险。

此外，为了增强系统的可及性和易用性，研究团队还配套开发了一个用户友好的基于网络的计算器，方便临床医生进行探索性使用和快速评估。,

本研究开发的基于人工智能的预测系统，代表了辅助生殖技术向更精准、更安全的个体化治疗迈出的重要一步。传统的剂量调整主要依赖有限的生物标志物和临床经验，而 InOvaSGuide 系统能够整合多达十余项临床特征，通过复杂的机器学习算法提供量化的、剂量特异性的预测，极大地提升了决策的科学性和前瞻性。

该系统不仅关注治疗的有效性（获卵数），更将治疗安全性（OHSS 风险）置于同等重要的位置进行联合预测，这符合现代医学对治疗风险管控的日益重视。通过帮助医生在治疗前预见不同剂量方案的可能结局，该系统有望减少治疗不足或过度刺激的情况，优化 IVF 周期结局，最终提升累积活产率并改善患者体验。

未来，随着更多中心数据的纳入和模型的持续优化，这一 AI 工具有望成为辅助生殖临床实践中常规的决策支持工具，推动整个领域向数据驱动和精准医疗的方向发展。

正文完