人工智能与不孕症评估

伴随着人工智能技术的发展，其强大的特征学习与分析能力在不孕症的临床评估中也得以体现。如KOZAR等多种AI模型通过分析正在进行IVF的患者的临床数据，从而实现对不同患者不孕程度的个体化评估、助孕结局的预测，进而指导助孕方案的制订。

人工智能与控制性促排卵（COS）

近年来，一些学者就人工智能在指导促排卵方案和Gn启动剂量制订方面进行了探究。分别通过人工神经网络（ANN）和支持向量机建立了获卵数目的预测模型，两个模型的回归系数R值分别为0.882和0.799，提示基于ANN的预测模型比基于支持向量机的预测模型具有更好的整体预测精度，为促排卵方案的制定提供了科学的临床决策支持。

人工智能与扳机时机　

LIANG的研究基于深度学习的分割算法，用于计算最佳主导卵泡体积，以预测获得成熟卵母细胞数量和优化人绒毛膜促性腺素扳机时机。结果发现卵泡体积生物标志物的截断值为0.5cm³可预测成熟卵，预测效能明显优于常规二维超声（卵泡直径≥10mm）。而当主导卵泡体积达到3.0cm³时进行人绒毛膜促性腺素扳机可获得更多的成熟卵子。该技术为未来患者通过促排卵治疗得到最大获益提供了很好的改进方法。

人工智能与精子质量评估　

精子的分析与选择是胚胎实验室的一项重要工作，主要是由胚胎学家通过肉眼观察精子的形态与活动情况决定，存在一定的主观性和误差性，尤其在卵胞质内单精子注射（ICSI）过程中精子的选择目前还没有标准化。而机器学习的应用则能帮助胚胎学家更为客观地选择优质精子。

目前，机器学习应用于精子评估的研究主要涉及精子形态评估、精子DNA完整性评估及指导男性不育患者的治疗方案选择等方面。

人工智能与胚胎质量评估　

已有多种ANN(人工神经网络)应用于胚胎质量的评估，评估基于静态图片与时差成像技术（TLT）的动态影像，评估的胚胎类型也涉及卵裂期与囊胚期，体现了ANN在胚胎评估中的全方位应用价值。CNN（卷积神经网络）可以提取原始图像的表征，而几乎不需要进行任何预处理，可实现在固定时间节点对胚胎细胞计数和图像识别。