人工智能在辅助生殖技术临床实践中应用的研究进展

人工智能在辅助生殖技术临床实践中应用的研究进展【摘要】人工智能（artificialintelligence，AI）正推动辅助生殖技术（assistedreproductivetechnology，ART）精准向发展。本文系统梳理了AI在ART各个环节中的应用，并基于证据质量对现有研究进行系统评价。ART周期前，多模态数据融合可提高卵巢储备预测及用药方案准确性，临床决策支持系统可提升妊娠率，但多数研究为回顾性、单中心设计；ART周期中，深度学习实现卵泡自动监测，弥补传统静态图像监测的不足，但模型稳定性与泛化能力有待进一步验证；ART周期后，机器学习能较准确预估活产率，现有研究展现良好潜力，然前瞻性外部验证尚不充分。同时，当前AI也存在数据隐私、算法歧视、黑箱效应、责任归属不明、成本-效果证据不足及医保准入空白等现实挑战，未来真正让AI更好地推动辅助生殖技术发展的关键环节是建立临床数据库、拓展全场景应用、建立人机协同系统、建章立制。【关键词】人工智能；生殖技术，辅助；机器学习；多模态融合；临床决策支持不孕不育是全球重点关注的生殖健康问题。世界卫生组织统计显示，全球大约六分之一的人一生中至少会有一次不孕经历［1］。辅助生殖技术（assistedreproductivetechnology，ART）虽已取得长足进步，但仍面临诸多挑战：卵胞质内单精子注射（intracytoplasmicsperminjection，ICSI）在非适应证情况下过度应用；不同国家、地区ART应用的可及性差异大，高龄化对生殖能力的打击都对临床细致管理提出更高的需求。与此同时，人工智能（artificialintelligence，AI）用于医学影像阅读、多项资料整合等越来越成熟，AI处理的时序变化、多维信息等特点，与ART全流程管理工作“复杂”的特点相契合。本文旨在系统梳理AI贯穿ART全流程的研究进展，并基于证据质量（研究设计、样本量、验证方式）对现有研究进行综合性评价，既肯定已有成果，也指出当前不足与改进方向，希望为生殖医学领域的临床实践与后续研究提供参考。一、AI技术特性与ART的适配性AI是一门研究如何开发能模拟人类智能的计算机系统的科学，其核心技术包括机器学习和深度学习［2］。机器学习采用算法实现使计算机赋予自主求解规律的能力，无需依靠技术人员编制的具体详尽的程序指令。而深度学习则实现了机器学习更深层次的学习，借助深层的神经网络结构能够实现对复杂非线性关系的深层次刻画［3］。依据学习范式分类，机器学习主要区分为监督学习与无监督学习。靠带标签的数据训练模型做预测，是监督学习的核心逻辑，支持向量机、随机森林都是监督学习的典型例子，常被用来进行各种临床评估（例如疾病诊断、临床结局预测），也常在医学影像处理中发挥重要作用［4-5］。无监督学习不需要基于带标签的数据，其核心在于从未带标签的原始数据中寻找内部结构、聚类特性，常使用K-means聚类、主成分分析等方法使患者群体分层、疾病分亚型，为其个体化治疗提供指导等［6-7］。AI技术的特性与ART面临的挑战高度对应。ART全流程具有鲜明的“复杂性”特征：ART周期前需整合临床、影像、多组学等多模态数据以预测卵巢储备与药物反应；ART周期中需处理动态超声与时差成像等时序数据以监测卵泡发育和胚胎活力；ART周期后则需基于多变量非线性关系预测活产结局。AI在多模态融合、时序建模及非线性关系刻画方面的天然优势，使其适配ART的临床需求。例如，ICSI过度使用是ART的典型问题［8］，AI可通过分析精子形态、运动轨迹自动评估精子质量，辅助判断是否需要行ICSI，减少非适应证应用［9］。高龄生育是另一大难题：35岁以上的女性，加用ICSI或胚胎植入前非整倍性遗传学检测对增加活产率没有获益，反而增加额外风险［10］。AI在复杂决策中可整合多维度数据提供合理循证建议，以下按ART流程梳理各环节的研究进展，并对其证据基础进行客观评述，基本技术路线概览见表1，代表性模型与应用汇总见表2。二、AI在ART全流程中的前沿应用1.ART周期前应用（1）卵巢储备功能预测：传统卵巢储备指标存在显著局限。血清基础卵泡刺激素（follicle-stimulatinghormone，FSH）存在显著的周期内及周期间变异性，同一患者不同周期检测结果波动较大，这限制了其可靠性［11］。窦卵泡计数（antralfolliclecount，AFC）的准确性高度依赖超声操作者的经验和超声设备精度。Salemi等［22］的meta分析表明，抗米勒管激素（anti-Müllerianhormone，AMH）预测卵巢低反应的诊断优势比较高（2.68），但研究间异质性高（I²=95.65%），导致不同研究及检测平台的结论无法直接比较，要解决规范化的难题。Jampala等［12］的研究发现：各周期不同时期测得的随机AFC与取卵数显著相关（r：0.516~0.753），预测价值与AMH相当；AFC虽存在周期内波动，但与AMH显著相关（r：0.693~0.767）。Melado等［13］回顾性分析选用5种不同AMH诊断试剂盒进行对比，发觉通过高非特异AMH检验（AL-196）协同AFC，能将获卵数预测模型调节r提高到0.474~0.485（P<0.001）。Carrilho等［14］利用MAGENTA™AI工具对11734枚卵母细胞进行评分，证实高孕激素促排卵方案与促性腺激素释放激素拮抗剂方案在AI评估的卵母细胞质量上差异无统计学意义（P=0.068），为促排卵方案的选择提供了新的客观依据。Miao等［15］则另寻研究路径，基于视网膜图像开发双通道模型预测“视网膜年龄”，发现其与实际年龄的差值与AMH水平呈负相关（尤其40~50岁女性），这一非介入性生物标志物为卵巢储备功能评定提供了一个新的技术性角度，增加了AI在生殖医学应用的领域边界。（2）卵巢反应预测：现阶段，早发性卵巢功能不全的临床诊断已从单纯依靠FSH拓展到黄体生成素、雌二醇、AMH等各类激素协同评定［16］。Yu等［17］在卵巢功能早衰研究中发现，早发性卵巢功能不全患者膜蛋白呼吸链电子载体（辅酶Q10）和酶物质亚基表达减少，通过对这些指标值中间非线性关系辨识，AI算法有望进一步提高子宫卵巢反应性预测准确性［18］。梯度提升算法（如XGBoost）在处理结构化临床数据方面表现优异［19］，而深度学习模型［如卷积神经网络（convolutionalneuralnetwork，CNN）］则在影像特征提取方面具有独特优势［20］。配子评估方面，TimeSformer等视频识别模型在捕捉精子动态信息时明显优于传统图像模型（如ResNet），实现了预测准确率的大幅度提升［9］。Ortiz等［21］比较了5种分类算法，客观识别出6个与卵巢反应直接相关的遗传多态性位点，包括ESR2、FSHR、AMHR2及GDF9基因的特定变异，为卵巢反应的遗传学机制提供新颖的突破口。总体而言，当前卵巢反应预测模型多属于单中心回顾性设计，亟需开展前瞻性多中心研究加以验证。（3）临床决策支持与个体化用药：临床决策支持系统的发展推动辅助生殖治疗走向个体化与精准化。一项基于17791个体外受精（invitrofertilization，IVF）周期的研究表明，AI决策系统可预测关键指标并优化促性腺激素（gonadotropins，Gn）起始剂量，为54.64%的患者推荐GnRH拮抗剂方案，使妊娠率从45.2%提升至51.2%，人均节省治疗时间15.39~33.48d，周期费用降低989~2623元［22］。在Gn起始剂量优化方面，基于机器学习的剂量选择工具能从患者基线特征，即AFC、AMH及体质量指数出发，合理预测个体化的剂量-反应曲线，因此它在优化成熟卵母细胞获数的同时，自然地兼顾了最小化药物暴露的最低有效起始剂量［23］。Hariton等［24］以超30000个周期的数据为基础，开发的可解释的机器学习模型，直接给出了Gn起始剂量的个体化建议。StimAssist™是美国生殖医学中心与AlifeHealth合作开发的AI临床决策支持系统，专门针对IVF治疗中Gn起始剂量及触发时机两大环节提供支持，该平台能够在不牺牲成熟卵产量的前提下减少Gn总用量，降低药物负担及成本［25］。促排卵过程具有显著时序依赖性，传统静态模型难以捕捉治疗中的动态变化。Edwards模型是基于Transformer-Encoder架构的深度学习模型，被设计用于捕捉IVF周期中的时间序列特征，其可根据当前及历史数据预测任意阶段的激素谱和卵巢反应［26］。目前周期前AI研究的证据等级以单中心回顾性为主，前瞻性多中心验证尚属空白。2.ART周期中应用（1）卵泡监测与排卵预测：卵泡监测的准确性直接关系到扳机时机判定及最终获卵结局。近年来基于CNN的自动化卵泡识别技术取得了突破性进展，在提高测量一致性、降低操作者依赖性两方面都已有十分明确的优势。Wygocki等［27］开发的AI卵泡监测平台对直径≥10mm的卵泡的精确率达98.2%，且在不同超声设备间表现高度稳定。Lee［28］讨论了AI技术与智能手机兼容超声设备结合的前景，为远程卵泡监测及资源有限环境下的个体化治疗都开拓出新的技术路径。Hramyka等［29］解析了大规模卵泡发育轨迹，结果显示：单次扫描后75%的卵泡直径预测误差<2mm，加入前两次扫描数据之后准确率进一步提高到80.1%。这一工作提示AI驱动的生长动力学模型在保证预测精度的同时可合理减少监测频次，改善患者就诊体验、降低医疗资源消耗。Hanassab等［30］的多中心研究（19082例）结果表明，中等卵泡对成熟卵母细胞贡献最大，大卵泡比例过高则与孕酮水平升高及活产率下降相关，挑战了“大卵泡即优卵泡”的传统观念，提示卵泡大小分布的均衡性更具临床价值。Huang等［31］以49961个取卵周期的大样本数据为基础，建立了取卵时机预测公式，并在优化周期中得到验证，样本量巨大是该研究的突出优势，公式形式直观便于临床应用，但校正系数依赖于特定促排卵方案，还需进一步跨中心、跨方案外部验证。Pérez-Padilla等［32］基于机器学习建立多输出预测模型，能准确预测微刺激方案的多个卵泡发育结局；发现约27%的周期扳机时机欠佳，经AI优化后可用囊胚量提升46%。在临床转化层面，Asada等［33］开发的取卵决策模型的曲线下面积（areaunderthecurve，AUC）已达0.964，灵敏度、特异度均达很高水平，值得注意的是，该AI系统目前已正式作为临床工具应用于自费治疗中，直接为临床取卵决策提供实时支持。（2）胚胎质量评估：传统胚胎评估主观性强，AI有望带来改进。Munné等［34］的综述阐明，AI预测胚胎植入的平均AUC约0.7，优于单纯形态学筛选。Mina等［35］所做的meta分析进一步量化了AI模型的合并灵敏度（0.69）和特异度（0.62），为AI辅助胚胎选择提供了循证支持。Hojjati等［36］对多种时序模型在胚胎活力评估中的表现进行系统分析，结果明确：TimeDistributedCNN+GRU模型提高了对可移植胚胎识别的敏感性，准确率已达82%。在具体模型方面，EmbryoProfiler可视化分析系统集成了可解释的机器学习分类器，并用细胞形态图等直观工具帮助胚胎学家进行受精评估、发育时序评价及形态学检查，能提供透明、临床可解释的胚胎存活评分［37］。iDAScorev2.0基于来自22个IVF中心的181428枚胚胎数据训练，在第5天胚胎评估中性能优于传统人工分级［38］。Salih等［39］的研究证实：融合临床特征（多层感知机）与囊胚图像（CNN），AUC达到0.91，明显优于各单独模型，且可视化分析表明滋养外胚层是最重要的预测特征。Sun等［40］提出的CoSTeM框架，首次基于全长时差成像视频建立了含2500余个视频的真实世界数据集，复现了胚胎学家的评估逻辑，验证了其优越性，为AI辅助胚胎选择提供了重要的方法学框架。（3）子宫内膜容受性评估：子宫内膜容受性评估逐渐从单一形态学指标向多维度、动态化、分子-影像融合及AI辅助的方向发展。多项研究显示，子宫内膜容受性阵列指导的个体化胚胎移植并未显著改善妊娠或活产率［41-43］，单纯基于基因表达的容受性评估存在局限。单细胞转录组学研究揭示了窗口期建立的关键分子（NR2F1、CEBPD、SGK1、KLF5、ELF5）及基质-上皮对话信号通路（FGFs-FGFR2），为机制干预提供新靶点［44］。Milewski等［45］突破了传统单纯以内膜厚度评价的局限，提出基于子宫内膜压缩动态变化的植入预测指标，其预测胚胎植入的AUC值为0.839，不同植入预测组的植入率呈6.25%~93.3%的梯度变化。Yang等［46］用可解释机器学习对971例绝经后无症状内膜增厚女性进行了分析，厘清了多普勒血流信号、内膜厚度等关键预测因子，所建立的logistic回归模型准确率已达88%，AUC=0.81。Huang等［47］筛选出5个与复发性流产高度相关的特征并构建影像组学评分，研究显示年龄、螺旋动脉搏动指数、血管化指数及影像组学评分均为复发性流产的独立相关因素，受试者工作特征曲线分析证明影像组学评分的预测效能（AUC=0.882）明显优于年龄（0.778）、螺旋动脉搏动指数（0.771）和血管化指数（0.595）。影像组学能提取人眼不可见的微观纹理特征，有利于对子宫内膜容受性做客观定量分析。Zeng等［48］的研究补充了窗口移位组存在多种炎症因子高表达特征，宫腔液炎症蛋白检测或可成为无创容受性评估新方法。Fjeldstad等［49］建立子宫内膜容受性AI模型，利用黄体酮启动前的子宫内膜图像将评分划分为8个等级，各等级临床妊娠率从21.8%逐级升到61.3%，证明AI评分与妊娠成功率有明确统计学相关性。Orovou等［50］所开发的EndoClassify模型以14989张子宫内膜超声图像进行训练，识别“良好子宫内膜”的准确率已达71%，对应74%的临床妊娠率，值得注意的是，整体模型准确率95%，灵敏度93%，特异度93%。Yan等［51］的研究采用ResNet-50分析灰阶超声图像，TabNet分析临床表格数据，构建了多模态融合模型，经消融实验证实其AUC为0.853，该文用列线图对模型做出易于理解的可视化展示，临床可解释性极佳。AI模型在多模态融合（超声+影像组学+临床特征）方面展现出潜力，但目前仍处于单中心回顾性研究阶段。未来应聚焦于无创、动态、可重复的容受性评估方法，并以前瞻性临床妊娠结局作为验证终点。3.ART周期后应用：胚胎移植后妊娠结局的预测是AI在ART全流程应用中重要的拓展方向。在影像学评估方面，内膜容积、血管化指数、蠕动波频率及螺旋动脉搏动指数等参数均与妊娠结局显著相关［52］。Wu等［53］比较了6种机器学习算法在活产预测中的性能：随机森林模型预测效能的AUC值已达0.8，研究者将预测模型转化为在线预测工具，直接服务于临床医生的决策支持及个体化患者咨询。Sharma等［54］的AI评分（EQScore）在预测临床妊娠及活产结局时的AUC均为0.66，尽管预测效能中等，但研究中发现与活产结局最紧密相关的变量是形态动力学参数（tSB、tB、tEB）。对50个重复CNN的测试发现，模型在胚胎排序上的一致性欠佳（Kendall’sW≈0.35），且不同中心数据测试时性能下降明显［55］。Akbari［56］提出：现有支持AI试管胚胎选择的证据主要是基于回顾性分析设计，因此其结论尚未在不同临床医学环境之中得到充分验证。综上所述，周期后AI预测模型的证据基础最为薄弱，对于拟向临床转化的模型，建议优先开展前瞻性多中心外部验证，并参照TRIPOD-AI声明进行规范报告。三、总结与展望AI在辅助生殖领域的主要优势十分明确：提高效率、降低误差、有利于个性化治疗。例如，AI驱动的子宫内膜同步器显示可使种植率提高约15%［57］。此外，AI在卵巢反应预测、促排卵方案优化诸环节的应用都为提高治疗效率开辟了新途径。尽管前景广阔，AI在ART中的临床转化仍面临多重共性挑战：第一，生育健康数据本身涉及高度敏感的个人隐私，故AI系统软件在数据采集、存储、传输诸环节都存在泄漏安全隐患［58］，目前培训数据同质化问题突出，优化算法因而容易形成偏见，因此对个人隐私安全及医患矛盾都持明确担忧态度的患者占50%~70%［59］。第二，复杂的深度学习模型常被视为“黑箱”［60］，其可解释性不足。医生无法清楚理解评判标准，自然就难以建立临床信任，患者也普遍愿意使用可解释性高的系统软件，即便其准确度略低。第三，研究设计质量有待提升。现有大多数实体模型在单一中心表现优异，但是转移到不同年龄段时特性大幅下降［61］，大多数研究为单中心、回顾性设计，前瞻性、多中心的外部验证相对缺乏。第四，缺乏统一标准。现有研究多采用AUC、灵敏度、特异度等指标，但这些指标往往基于不同数据集、不同结局定义（临床妊娠比活产）和不同统计方法，难以直接横向比较。最后，责任归属与医保准入空白。AI干预临床决策之后，研发运营商、医院、定点医疗机构三方的责任归属划分至今尚不明确。AI在ART中的成本效果必须结合全球医保支付体系综合审视。法国法定医疗保险几乎全覆盖IVF治疗费用，报销比例接近100%［62］，而美国ART服务则呈现高度市场化［63］。尽管我国已全面将ART纳入医保，但尚无AI辅助工具被正式纳入任何国家的ART医保支付目录，AI工具如何纳入医保，政策仍处于空白地带。从目前所论的问题出发可以厘清AI在ART领域未来发展的方向：首先，要建设标准化数据库，搭建多中心共享平台，用大语言模型生成临床推理链数据，由此直接、有力地解决专家标注稀缺问题。其次，要开发可解释的人机协同系统，以可视化方式把AI决策过程透明化，让医生参与评估时清楚知悉AI分析逻辑，且保留最终判断权，这才是技术落地的最佳路径。要拓展生殖健康全场景应用，让AI从胚胎筛选自然、合理地延伸到生育力保存、遗传病筛查、复发性流产机制研究诸领域。再次，优先开展前瞻性、多中心的外部验证，建立模型性能报告的标准化框架（如TRIPOD-AI声明），并在临床准入前强化评估模型在不同亚组（年龄、体质量指数、种族、病因）中的稳定性，使AI胚胎评估模型能从“实验室优异”真正走向“临床可信”。最后，针对当前AI辅助决策后责任划分不清、医保支付路径缺失的现实难题，亟需联合生殖医学、伦理学、法学、卫生经济学等各界力量，在技术创新、伦理规范与责任认定之间建立动态平衡。AI的真正价值绝不是替代临床医师，而是通过“人机协同”来提高诊断准确性、提升工作效率。参考文献[1]CoxCM,ThomaME,TchangalovaN,etal.Infertilityprevalenceandthemethodsofestimationfrom1990to2021:asystematicreviewandmeta-analysis[J].HumReprodOpen,2022,2022(4):hoac051.DOI:10.1093/hropen/hoac051.[2]GargR,RajputP,VibhandikJ,etal.AdvancesinAI-drivenbiomassprocessing:areviewofconversiontechnologies,optimizationstrategies,andsmartenergyintegration[J].ACSOmega,2025,10(42):49300-49320.DOI:10.1021/acsomega.5c05427.[3]GuptaR,SrivastavaD,SahuM,etal.Artificialintelligencetodeeplearning:machineintelligenceapproachfordrugdiscovery[J].MolDivers,2021,25(3):1315-1360.DOI:10.1007/s11030-021-10217-3.[4]CaoB,ZhongJ,ZhangJ,etal.Multi-radiomicsfeaturesofsuper-resolutionMRIforpredictingminoramputationinwagner3diabeticfootulcers[J].DiabetesMetabSyndrObes,2026,19:565938.DOI:10.2147/DMSO.S565938.[5]AmrY,GadW,LeivaV,etal.Comparativeanalysisofsupervisedandensemblemodelswithunsupervisedexplorationforalzheimer'sdiseaseprediction[J].SciRep,2026,16(1):7322.DOI:10.1038/s41598-026-37122-9.[6]TorchiaE,LucchiniM,Verdu-DiazJ,etal.Muscleimagingininclusionbodymyositis:refinementofMRIcriteriaandinsightsintoupperbodyinvolvement[J].JCachexiaSarcopeniaMuscle,2026,17(1):e70173.DOI:10.1002/jcsm.70173.[7]NieZ,MaS,DengZ,etal.Amultimodalneurodemographicsignatureforimmunometabolicdepression[J].BiolPsychiatryCognNeurosciNeuroimaging,2026,11(9):1062-1070.DOI:10.1016/j.bpsc.2026.01.005.[8]BerntsenS,ZedelerA,NøhrB,etal.IVFversusICSIinpatientswithoutseveremalefactorinfertility:arandomizedclinicaltrial[J].NatMed,2025,31(6):1939-1948.DOI:10.1038/s41591-025-03621-x.[9]NakagawaH,FujiiT,YumuraY,etal.Estimationofmulti-expertspermassessmentsusingvideorecognitionbasedmodeltrainedbyemdloss[J].IEEEAccess,2024,12:112702-112713.[10]AdamyanL,PivazyanL,ObosyanL,etal.Preimplantationgenetictestingforaneuploidyinpatientsofdifferentage:asystematicreviewandmeta-analysis[J].ObstetGynecolSci,2024,67(4):356-379.DOI:10.5468/ogs.24028.[11]SalemiF,JambarsangS,KheirkhahA,etal.Thebestovarianreservemarkertopredictovarianresponsefollowingcontrolledovarianhyperstimulation:asystematicreviewandmeta-analysis[J].SystRev,2024,13(1):303.DOI:10.1186/s13643-024-02684-0.[12]JampalaM,PillaiA,LouisF.Randomantralfolliclecountanditspredictivevalueforovarianresponseincontrolledovarianstimulationcycles:isthereaneedtochangetheconventionalwayofmeasuringantralfolliclecount?[J].InterJInfertilFetalMed,2025,16:68-74.DOI:10.5005/jp-journals-10016-1377.[13]MeladoL,KumarA,KalraB,etal.Howtoenhancepredictionofclinicaloutcomesinpoorresponders:integratinghigh-specificassaysforanti-mullerianhormonewithantralfolliclecount[J].FrontEndocrinol(Lausanne),2025,16:1654365.DOI:10.3389/fendo.2025.1654365.[14]CarrilhoE,BragaD,SettiA,etal.Progestin-primedovarianstimulation:aviablealternativetoconventionalGnRH-antagonistprotocolspreservingoocytequality-insightsfromanartificialintelligencetool[J].HumReprod,2025,40.DOI:10.1093/humrep/deaf097.953.[15]MiaoH,LiuS,WangZ,etal.Artificialintelligence-derivedretinalagegapasamarkerforreproductiveaginginwomen[J].NPJDigitMed,2025,8(1):367.DOI:10.1038/s41746-025-01699-8.[16]GuoT,LiuH,XuB,etal.Epidemiology,geneticetiology,andinterventionofprematureovarianinsufficiency[J].EndocrRev,2025,46(5):621-651.DOI:10.1210/endrev/bnaf011.[17]YuZ,PengW,LiF,etal.Integratedmetabolomicsandtranscriptomicstorevealbiomarkersandmitochondrialmetabolicdysregulationofprematureovarianinsufficiency[J].FrontEndocrinol(Lausanne),2023,14:1280248.DOI:10.3389/fendo.2023.1280248.[18]DashtiM,GhasemzadehA,DoustfatemeS,etal.Immunologicalriskfactorsforrecurrentimplantationfailureusingadeeplearningmodel:amulticenterretrospectivecohortstudy[J].SciRep,2025,15(1):42822.DOI:10.1038/s41598-025-27561-1.[19]吴迪,何天浩,方勇,等.基于机器学习预测卵巢低反应人群的IVF/ICSI累计临床妊娠率[J].华中科技大学学报(医学版),2025,54(6):763-771,795.DOI:10.3870/j.issn.1672-0741.25.06.005.[20]ZhangJ,LiuS,LiuS,etal.Ultrasoundradiomicsanddeeplearningforpredictingantralfolliclecountandanti-Müllerianhormone[J].SciRep,2025,16(1):3115.DOI:10.1038/s41598-025-33010-w.[21]OrtizJA,LledóB,LuqueL,etal.Pharmacogeneticanalysisusingartificialintelligence(AI)toidentifypolymorphismsassociatedwithsub-optimalovarianresponseandhyper-response[J].JAssistReprodGenet,2025,42(6):1863-1873.DOI:10.1007/s10815-025-03471-z.[22]WenL,WuD,RuanJ,etal.Artificialintelligence-drivenprecisiontreatmentofreproductivemedicine-relateddiseases:theoptimalprotocolchoiceforIVF-ET[J].JAdvRes,2026,85:919-933.DOI:10.1016/j.jare.2025.10.040.[23]HuaL,ZheY,JingY,etal.Predictionmodelofgonadotropinstartingdoseanditsclinicalapplicationincontrolledovarianstimulation[J].BMCPregnancyChildbirth,2022,22(1):810.DOI:10.1186/s12884-022-05152-6.[24]HaritonE,PavlovicZ,FantonM,etal.Applicationsofartificialintelligenceinovarianstimulation:atoolforimprovingefficiencyandoutcomes[J].FertilSteril,2023,120(1):8-16.DOI:10.1016/j.fertnstert.2023.05.148.[25]CanonC,LeibnerL,FantonM,etal.Optimizingoocyteyieldutilizingamachinelearningmodelfordoseandtriggerdecisions,amulti-center,prospectivestudy[J].SciRep,2024,14(1):18721.DOI:10.1038/s41598-024-69165-1.[26]WangJ,LiuZ,ZhangC,etal.Adeeplearningapproachtounderstandingcontrolledovarianstimulationandinvitrofertilizationdynamics[J].SciRep,2025,15(1):7821.DOI:10.1038/s41598-025-92186-3.[27]WygockiP,ZapałaA,UlfigM,etal.AnartificialintelligenceplatformforautomatedmeasurementandcountestimationofovarianfolliclesduringovarianstimulationandIVF:amulticenterstudy[J].JAssistReprodGenet,2026,43(3):715-729.DOI:10.1007/s10815-025-03777-y.[28]LeeD.Innovationsinassistedreproductivetechnologythroughtheadvancesinartificialintelligenceandimageprocessing[J].ObstetGynecolSci,2025,68(6):458-466.DOI:10.5468/ogs.25229.[29]HramykaA,KelseyTW,HanassabS,etal.Modellingfolliculargrowthduringovarianstimulationusingagent-basedartificialintelligence[J].JClinEndocrinolMetab,2026,111(3):615-621.DOI:10.1210/clinem/dgaf539.[30]HanassabS,NelsonSM,AkbarovA,etal.Explainableartificialintelligencetoidentifyfolliclesthatoptimizeclinicaloutcomesduringassistedconception[J].NatCommun,2025,16(1):296.DOI:10.1038/s41467-024-55301-y.[31]HuangY,KuangZ,ShenX,etal.Avaluablepredictivemodelforoptimizingthetimingofoocyteretrieval:aretrospectiveanalysisofoocyteretrievaltimein49,961oocytepickup(OPU)cycles[J].ReprodBiolEndocrinol,2025,23(1):107.DOI:10.1186/s12958-025-01441-9.[32]Pérez-PadillaNA,Garcia-SanchezR,AvalosO,etal.OptimizingtriggertiminginminimalovarianstimulationforInVitrofertilizationusingmachinelearningmodelswithrandomsearchhyperparametertuning[J].ComputBiolMed,2024,179:108856.DOI:10.1016/pbiomed.2024.108856.[33]AsadaY,ShinoharaT,YonezawaS,etal.DevelopmentofanAI-basedsupportsystemforcontrolledovarianstimulation[J].ReprodMedBiol,2024,23(1):e12603.DOI:10.1002/rmb2.12603.[34]MunnéS,HorcajadasJA,Seth-SmithML,etal.Non-invasiveselectionforeuploidembryos:prospectsandpitfallsofthethreemostpromisingapproaches[J].ReprodBiomedOnline,2025,51(5):105077.DOI:10.1016/j.rbmo.2025.105077.[35]MinaA,YounesiM,DoohandehT,etal.PredictingpregnancyoutcomesinIVFcycles:asystematicreviewanddiagnosticmeta-analysisofartificialintelligenceinembryoassessment[J].ContraceptReprodMed,2025,10(1):59.DOI:10.1186/s40834-025-00400-4.[36]HojjatiAT,SaadatH,MangoliE,etal.Automatedembryoselectionusingdeeplearning:acomparativestudyof3D-CNN,hybrid,andtransferlearningmodels[J].MidEastFertilSocJ,2026,31:7.[37]KnittelJ,WarcholS,TroidlJ,etal.Embryoprofiler:avisualclinicaldecisionsupportsystemforIVF[J].IEEETransVisComputGraph,2026,32(1):1262-1272.DOI:10.1109/TVCG.2025.3634780.[38]TheilgaardLassenJ,FlyKraghM,RimestadJ,etal.Developmentandvalidationofdeeplearningbasedembryoselectionacrossmultipledaysoftransfer[J].SciRep,2023,13(1):4235.DOI:10.1038/s41598-023-31136-3.[39]SalihM,AustinC,MantravadiK,etal.DeeplearningclassificationintegratingembryoimageswithassociatedclinicalinformationfromARTcycles[J].SciRep,2025,15(1):17585.DOI:10.1038/s41598-025-02076-x.[40]SunY,WangY,ShiJ,etal.Time-lapsevideo-basedembryogradingviacomplementaryspatial-temporalpatternmining[C].InternationalConferenceonMedicalImageComputingandComputer-AssistedIntervention-MICCAI2025.Cham:Springer,2025:594-604.DOI:10.1007/978-3-032-05169-1_57.[41]SongT,ZhuW,WangM,etal.Optimizedgene-enhancedERAimprovesinvitrofertilizationoutcomesinpatientswithrepeatedimplantationfailure:ameta-analysis[J].Medicine(Baltimore),2025,104(10):e41492.DOI:10.1097/MD.0000000000041492.[42]ZolfaroliI,MonzóMirallesA,Hidalgo-MoraJJ,etal.Impactofendometrialreceptivityanalysisonpregnancyoutcomesinpatientsundergoingembryotransfer:asystematicreviewandmeta-analysis[J].JAssistReprodGenet,2023,40(5):985-994.DOI:10.1007/s10815-023-02791-2.[43]DoyleN,JahandidehS,HillMJ,etal.Effectoftimingbyendometrialreceptivitytestingvsstandardtimingoffrozenembryotransferonlivebirthinpatientsundergoinginvitrofertilization:arandomizedclinicaltrial[J].JAMA,2022,328(21):2117-2125.DOI:10.1001/jama.2022.20438.[44]LiuY,WangY,ZhangL,etal.Decryptingspatiotemporalcodeofhumanendometrialreceptivity[J].NatCommun,2025,17(1):801.DOI:10.1038/s41467-025-67492-z.[45]MilewskiR,SkowrońskaM,KuczyńskaA,etal.Anewmethodofassessingendometrialcompactionasanindicatorofendometrialreceptivityforpredictingreproductivesuccess[J].JClinMed,2025,14(22):7923.DOI:10.3390/jcm14227923.[46]YangL,XuC,SuR,etal.Decipheringthepredictorsofendometrialnonbenignlesionsinasymptomaticpostmenopausalwomenviaexplainablemachinelearning[J].Menopause,2026,33(5):593-607.DOI:10.1097/GME.0000000000002699.[47]HuangW,JinY,JiangL,etal.Radiomicsoptimizingtheevaluationofendometrialreceptivityforwomenwithunexplainedrecurrentpregnancyloss[J].FrontEndocrinol(Lausanne),2023,14:1181058.DOI:10.3389/fendo.2023.1181058.[48]ZengH,ChangY,FuJ,etal.Inflammatoryproteomicsofuterinefluidispotentiallyanon-invasivepredictorforendometrialreceptivity:apilotstudy[J].JAssistReprodGenet,2026,43(1):307-316.DOI:10.1007/s10815-025-03728-7.[49]FjeldstadJ,QiW,VanzellaL,etal.Anovelartificialintelligence(AI)model,trainedusing2-dimensionalendometrialultrasound(US)images,predictsclinicalpregnancyoutcomes[J].FertilSteril,2025,124:e42.[50]OrovouE,TzimourtaKD,Tzitiridou-ChatzopoulouM,etal.Artificialintelligenceinassistedreproductivetechnology:anewerainfertilitytreatment[J].Cureus,2025,17(4):e81568.DOI:10.7759/cureus.81568.[51]YanS,XiongF,XinY,etal.Automatedassessmentofendometrialreceptivityforscreeningrecurrentpregnancylossriskusingdeeplearning-enhancedultrasoundandclinicaldata[J].FrontPhysiol,2024,15:1404418.DOI:10.3389/fphys.2024.1404418.[52]AgarwalA,MundkurA,PoojariVG,etal.Three-Dimensionalultrasoundparametersinassessingendometrialreceptivity:aprospectivestudyofnovelscoringsystemsinfrozenembryotransfercycles[J].HumFertil(Camb),2026,29(1):2609464.DOI:10.1080/14647273.2025.2609464.[53]WuS,WangX,LiuY,etal.Predictivemodelsforlivebirthoutcomesfollowingfreshembryotransferinassistedreproductivetechnologiesusingmachinelearning[J].JTranslMed,2025,23(1):1004.DOI:10.1186/s12967-025-07045-6.[54]SharmaS,DoshiA,BhatiaC,etal.AnAImodeliscapableofpredictingPregnancyandLiveBirthinacohortof