進行一輪體外人工受精的成功機率其實連五成都不到。體外人工受精是治療不孕症最常見的方法之一，費用高達 1.5 萬美元。不過康乃爾大學研究人員開發出的一款人工智慧工具，可以大幅提高體外人工受精的成功機率。
在1978年發表的體外人工受精技術，會在實驗室中以人工方式進行卵子與精子的受精作業，培養出多個可以移植到患者子宮中的多個胚胎。診所監控胚胎發育的情況，挑出最優質的胚胎進行移植，以求提高懷孕機率。
儘管如此，美國疾病管制與預防中心的資料指出，只有不到半數已植入的囊胚（已經生長了約五天的胚胎）是順利在患者的子宮上著床。四十歲以上的不孕症患者，這個比例更是低於 15%。
康乃爾大學的研究人員使用一萬多張人類胚胎縮時影像的資料集進行訓練和測試，建立一個名為 STORK 的人工智慧模型，該模型使用卷積神經網路分析胚胎的生長情況，並且評估哪些候選胚胎最有可能成功在患者子宮上著床。
為了提高懷孕的機會，診所通常會一次植入多枚胚胎，而這也帶來了風險。
康乃爾大學威爾醫學院計算基因組學助理教授 Iman Hajirasouliha 說：「如此一來患者可能會懷上雙胞胎、三胞胎，甚至是多胞胎，提高出現併發症的危險。要是我們能用演算法來可靠地預測著床成功率，就能限制移植的數量。」
選出狀態最佳的候選胚胎
每年進行超過250萬個週期的體外人工受精作業，有五十萬個嬰兒就此出生。而在每個週期裡，挑出哪些胚胎最有可能讓患者成功懷孕的重責大任，就落在胚胎學家的團隊身上。
這些專家按照縮時影像，對發育中的胚胎進行人工分級，這是一項耗時又主觀的評估作業。少了統一的分級制度，胚胎學家們對於哪個是最好的候選胚胎，常出現意見分歧的情況。
開發出 STORK 人工智慧模型的科學家發現，一個由五名胚胎學家組成的小組，對於胚胎品質的優劣問題達成一致意見的機率，還不到 25%。
相較之下，STORK 的預測結果倒是在 95% 以上的場合裡，與胚胎學家小組的多數投票結果一致，這代表此工具的表現可能優於單一胚胎學家，且能為胚胎評估作業創造出更一致的結果。
人工智慧在分析影像資料方面，速度也快上不少。一間每年治療約四千人的診所，可能要有三名胚胎學家為每位患者以人工方式評估候選胚胎。STORK 卻能在四分鐘內為兩千名患者評估候選胚胎的品質。
康乃爾大學的研究人員使用 TensorFlow 框架及四個 NVIDIA GPU，所開發出的深度學習模型，訓練速度較 CPU 高出四倍。
科學家們迄今已經使用由紐約、西班牙及英國等地診所提供的胚胎影像，對其開發出的工具進行測試，並且希望任何收集時間序列胚胎影像的體外人工受精機構，都能使用這項工具。
胚胎品質只是體外人工受精成功率的一項臨床因素，患者年齡才是影響著床機率和健康足月妊娠機率的關鍵變數。
研究人員加入了 STORK 的胚胎品質分析與患者年齡資料，開發出一個決策樹模型，以求更好地評估妊娠成功率和活產率。