불임치료의 하나인 체외수정(IVF)에서는 수정란의 질의 평가를 배아배양사의 육안에 의한 판단에 의존하고 있으며, 배아배양사간, 클리닉간에 판단기준에 차이가 있는 등 임신에 이어지는 수정란의 정확한 평가가 곤란해지고 있다.실제로 IVF의 효능은 낮아 국내에서의 생식보조의료에 의한 임신성공률은 12.6%에 그친다.

　한편, 본 그룹에서는, 마우스 수정란의 세포 분열의 모습을 연속적으로 촬영한 라이브 셀 이미징 화상의 해석에 의해, 염색체 분배 이상, 난할의 동기성, 발생 속도 등 출생 예측으로 이어지는 지표의 획득을 진행 왔어.특히 2020년에 개발한 Quantitative Criteria Acquisition Network(QCANet)는 심층 학습 알고리즘의 하나인 컨벌루션 뉴럴 네트워크를 이용한 독자적인 이미지 처리 기술로, 발생 중인 배아 이미지에서 효율적으로 세포핵 부분만을 추출할 수 있다. , 마우스 발생 과정에서 수많은 정량적 지표의 획득에 기여해왔다.

　이번에 이 QCANet을 이용하여 마우스의 임신에 이른 배아와 유산한 배아 각각에서 추출한 형태적 특징 등의 다변량 시계열 데이터를 기계에 학습시켜 출생 예측을 실시하는 새로운 AI 알고리즘 Normalized Multi-View Attention Network(NVAN)를 구축했다. NVAN의 마우스 수정란의 출생 예측 정밀도는 83.87%를 달성하고 있으며, 기존의 기계 학습 수법(74.19%)이나 배아 배양사에 의한 육안 검사(64.87%)를 능가한다.또한, NVAN의 출생 예측에 기여한 배아의 형태적 특징을 소급적으로 밝히는 것으로, 桑実胚期의 세포핵의 형상 및 세포 분열의 타이밍이 마우스 배아의 출생에 중요하다는 것을 밝혀냈다 라고 한다.

　본 방법은 체외 수정의 배아 평가에 있어서의 새로운 기반 기술로서, 장래에는 인간의 수정란에 응용될 것이 기대되고, 생식 보조 의료에 의한 임신율 향상에 기여하는 것이 바람직하다.

논문 정보:【Artificial Intelligence in Medicine】An explainable deep learning-based algorithm with an attention mechanism for predicting the live birth potential of mouse embryos