Embryobewertung & -auswahl bei der IVF

Bei der IVF wählen Embryologinnen und Embryologen den zu transferierenden Embryo überwiegend nach visueller Bewertung aus, die zwischen Personen und Kliniken schwankt. Zeitraffer-Inkubatoren zeichnen bereits jeden Embryo kontinuierlich auf; Deep-Learning- Modelle machen aus diesem Video einen Einnistungs-Score (und in manchen Produkten eine Schätzung der Ploidie-Wahrscheinlichkeit), der Embryonen objektiv einordnet. Die KI unterstützt die Entscheidung der Embryologin bzw. des Embryologen, ersetzt sie aber nie. Nutzen: einheitlichere Bewertung und schnellere Sichtung, wobei Verbesserungen der Geburtenrate noch untersucht werden.

Problem & Nutzen

• Heute: Embryologen bewerten Embryonen an Tag 3/Tag 5 nach der Morphologie (Blastozystenexpansion, innere Zellmasse, Trophektoderm) und, wo Zeitraffer verfügbar ist, nach morphokinetischen Zeitpunkten. Die Bewertung ist subjektiv, mit dokumentierter Variabilität zwischen und innerhalb der Beobachtenden. Die invasive PGT-A (Trophektoderm-Biopsie) ist teuer, nicht überall erlaubt und für nicht alle Patientinnen in ihrem Nutzen umstritten.
• KI-Nutzen: standardisierte Rangfolge der Embryonen, weniger Annotationszeit je Embryo, kürzere Zeit bis zum Transfer des lebensfähigsten Embryos, eine nicht-invasive Ergänzung des Screenings und Ausbildungsunterstützung für junge Embryologen.
• Evidenz: Retrospektive Studien zeigen eine gute Trennschärfe für die Einnistung; randomisierte Studien zur KI- Rangfolge haben überwiegend Nichtunterlegenheit bzw. Zeitersparnis gezeigt, nicht eindeutig höhere Lebendgeburtenraten; Aussagen sollten daher an den veröffentlichten Studien gemessen werden [1][2]. Versprechen Sie keine verbesserten Geburtenraten.

Varianten

• Bewertung des Einnistungs-/Lebendgeburtspotenzials aus Zeitraffervideo (Kernanwendungsfall).
• Ploidie-Vorhersage (Wahrscheinlichkeit euploid vs. aneuploid) als nicht-invasives Vorscreening; Forschungsqualität oder eingeschränkte Aussagen, kein Ersatz für PGT-A.
• Bewertung von Blastozysten auf Einzelbildern für Kliniken ohne Zeitraffer-Inkubatoren (Smartphone/Mikroskop).
• Bewertung von Eizellen und Spermien (Reife, Morphologie, Spermienauswahl für ICSI) sowie Laborqualitäts- kontrolle und Unterstützung bei Arbeitsablauf und Zeugenprüfung.
• Forschung: Entscheidungsunterstützung bei der Embryoauswahl in Kombination mit Patientendaten (siehe HLTH-004).

So funktioniert es

1. time-lapse incubator (multi-focal video, per embryo/well)
2. quality control & embryo/well detection (segmentation)
3. feature extraction (3D-CNN / video transformer / frame-level CNN + temporal model)
4. score heads: implantation/live-birth likelihood, ploidy likelihood, morphokinetic events
5. ranking within patient cohort + explanation (saliency / event timeline)
6. embryologist review, decision and transfer order (human-in-the-loop)
7. outcome follow-up (pregnancy, live birth) fed back for monitoring

• Modelle: typischerweise Faltungsnetze oder Video-Transformer, trainiert auf Embryovideos mit Label zum Ergebnis (Einnistung mit fetalem Herzschlag) oder zur Ploidie. Reine Deep-Learning-Systeme bewerten aus dem Rohvideo ohne manuelle Annotation; ältere Systeme nutzen regelbasierte morphokinetische Algorithmen.
• Die Labels sind das Schwierige: Transferierte Embryonen mit bekanntem Ergebnis sind eine verzerrte Teilmenge (Auswahl- verzerrung); nicht transferierte Embryonen haben kein Label. Modelle sollten je Klinik und Patientengruppe validiert werden.
• Mensch-in-der-Schleife (Human-in-the-Loop): Embryologin und Ärztin bzw. Arzt entscheiden; der Score ist eine Eingabe neben Morphologie, Alter der Patientin und Krankengeschichte. Jede Übersteuerung wird protokolliert.

Datenaufbereitung

Die Daten sind Zeitraffervideos (mehrere Fokusebenen, ein Bild alle 5 bis 20 Minuten über 5 bis 7 Tage), Annotationen und Bewertungen der Embryologen sowie Ergebnislabels wie Einnistung, Lebendgeburt oder PGT-A-Ergebnisse. Sie liegen in der Software und dem lokalen Speicher des Inkubatorherstellers, im Laborinformationssystem oder in Excel-Tabellen der Klinik und in der Patientenakte, oft in getrennten Systemen. Typische Lücken: Ergebnisse, die spät erfasst oder nicht mit Embryo-IDs verknüpft werden, uneinheitliche Bewertung zwischen Embryologen, unterschiedliche Inkubator- und Bildeinstellungen, große Datenmengen und unklare Einwilligung zur Sekundärnutzung.

Aufbereitungsschritte: Embryo-IDs systemübergreifend mit Ergebnissen verknüpfen (PREP-005, PREP-020), Tabellen in saubere Tabellenstrukturen überführen (PREP-011), ein Bewertungsschema festlegen (PREP-019), ein von Experten bewertetes Evaluationsset aufbauen (PREP-018), Einwilligung und Rechtsgrundlage klären (PREP-025) und pseudonymisieren (PREP-022). Bei einem gekauften Produkt liegt der Aufwand meist in lokaler Validierung und Integration; bei eigenen Modellen macht die Datenarbeit 60 bis 70 Prozent aus, weil Ergebnislabels knapp sind und spät eintreffen. Siehe GUIDE-003.

Umsetzungswege

Welcher Weg für wen

• Unternehmen (Kinderwunschkliniken, IVF-Verbünde): Weg A, weil CE-gekennzeichnetes Scoring im Umfeld der Zeitraffer-Inkubatoren existiert und Kliniken weder die gelabelten Ergebnisdaten noch die regulatorische Kapazität haben, ein eigenes zu bauen.
• Entwickler: Weg C, weil offene Bildmodelle (Videoklassifikatoren, Segmentierung) auf einer einzelnen GPU Forschung an annotierten Zeitrafferdaten erlauben, mit voller Kontrolle über sensible Embryo- und Patientendaten.

Weg A — Kaufen (Standardsoftware) (empfohlen)

• Vitrolife (SE): iDAScore (Deep-Learning-Scoring in EmbryoScope+/EmbryoViewer; CE-gekennzeichnet).
• Fairtility (IL): CHLOE (Embryobewertung, CE-gekennzeichnet, Anbindung an mehrere Inkubatoren).
• Weitere: AIVF EMA, Alife Health (Embryo Assist, USA), Presagen Life Whisperer (AU), Future Fertility (Eizellbewertung, CA), Embryonics/Gaia; Zeitraffer-Inkubatoren von Merck/Vitrolife/CooperSurgical/Genea. Prüfen Sie aktuelle CE-Zertifikate (MDR) und die Zweckbestimmung je Produkt.
• A wählen: immer für den klinischen Einsatz. Nur ein rechtlicher Hersteller mit Konformitätsbewertung darf einen Score in eine klinische Entscheidung einfließen lassen.

Weg B — Auf Cloud-KI-Diensten aufbauen

Für den klinischen Einsatz selten geeignet: Allgemeine VLM-APIs (Claude, Gemini, GPT, Mistral) sind keine Medizinprodukte und haben kein anhand von Ergebnissen validiertes Embryomodell. Sinnvoll nur für nicht-klinische Aufgaben: Laborprotokolle zusammenfassen, Patienteninformationen oder QC-Berichte entwerfen, mit Hosting in einer EU-Region und einem Auftragsverarbeitungsvertrag; keine Embryobilder mit Bezug zu identifizierbaren Patientinnen ohne klare Rechtsgrundlage.

Weg C — Selbst betreiben (Open Source)

• Forschung und Validierung: PyTorch/MONAI mit offenen Video-Backbones (VideoMAE, TimeSformer, 3D-ResNet), offene Embryo-Datensätze wie der Zeitraffer-Datensatz menschlicher Embryonen von Gomez et al. [3].
• Bereitstellung: On-Premises Triton/ONNX Runtime; HW2 (eine GPU mit 16-32 GB) reicht für Inferenz und das Feintuning kleiner Videomodelle; HW1 genügt für die Bewertung von Einzelbildern.
• Status: Klinisch genutzte, selbst gebaute Modelle machen die Klinik zum Hersteller (die Ausnahme für den Eigengebrauch nach Art. 5 Abs. 5 MDR gilt nur unter strengen Bedingungen).

Weg D — Eigenes Training

Lohnt sich für Hersteller und akademische Zentren: tausende Embryonen mit verknüpften Ergebnissen (idealerweise aus mehreren Kliniken und Inkubatoren) plus PGT-A-Labels. Erforderlich sind externe Validierung auf Standortebene, Kalibrierungs- und Fairness-Prüfungen (Alter, ethnische Herkunft, Protokoll), MLOps nach ISO 13485 / IEC 62304 und eine klinische Bewertung.

Stand der Technik (2026)

• Deep Learning auf Video (3D-CNNs, Video-Transformer, selbstüberwachtes Vortraining) hat handgefertigte morphokinetische Modelle abgelöst; kommerzielle Systeme bewerten ohne manuelle Annotation.
• Studien: Randomisierte Studien, die die KI-gestützte Auswahl mit der üblichen morphologischen Bewertung vergleichen, berichten im Allgemeinen vergleichbare klinische Ergebnisse bei geringerem Bewertungsaufwand; es gibt bislang keine durchgängige Evidenz für höhere Lebendgeburtenraten je Transfer [1][2].
• Die Ploidie-Vorhersage aus Bildern bleibt begrenzt und von der Population abhängig; PGT-A ist weiterhin der Referenzstandard.
• Grenzen und Fehlerbilder: Domänenverschiebung zwischen Inkubatoren und Kliniken, Verzerrung der Ergebnislabels, Scores, die mit dem Alter der Patientin korrelieren (Confounding), schlechte Kalibrierung, übermäßiges Vertrauen des Personals und mangelnde Transparenz über die Trainingspopulationen.

Gemeinsame Bausteine & Kombinationen

• Gleicher Stack (image-classification, segmentation, Videomodelle): HLTH-002 digitale Pathologie, HLTH-026 Labordiagnostik, HLTH-001 Radiologie; SCI-008 wissenschaftliche Mikroskopie.
• Kombinieren mit: HLTH-004 klinische Entscheidungsunterstützung (Behandlungsplanung), HLTH-018 Zusammenfassung von Patientenakten, PERS-021 Zyklusverfolgung auf Patientenseite, Systeme zur Zeugenprüfung/Rückverfolgbarkeit im Labor.
• Trainings-Pipelines für medizinische Bildmodelle (Annotationswerkzeuge, MLOps, Validierung) sind wiederverwendbar.

Aufwand, Kosten & Kennzahlen

• Weg A: Lizenz typischerweise im Paket mit dem Zeitraffer-Inkubator/der Software oder als Zusatz; 1-3 Monate für lokale Validierung und Schulung des Personals. Die Zeitraffer-Hardware ist der Hauptkostentreiber.
• Weg C/D: 12+ Monate, spezialisiertes Team, regulatorische Arbeit kostet mehr als die Modellierung.
• Kennzahlen: AUC/Kalibrierung auf lokalen Daten, Übereinstimmung Embryologe-KI, Zeit je Fall, Variabilität zwischen Beobachtenden, Zeit bis zur Schwangerschaft, kumulative Lebendgeburtenrate je Zyklus, Übersteuerungsrate und Ergebnisse der Übersteuerungen, Drift im Zeitverlauf.

Menschen & Veränderung

Binden Sie zuerst die Klinikleitung und die ärztliche Leitung ein, dann Embryologinnen und Embryologen als tägliche Nutzer und Verantwortliche des Bewertungsprozesses, die IT für Speicherung und Integration, die Datenschutzbeauftragte bzw. den Datenschutzbeauftragten sowie Recht/Compliance für den MDR-Status und sensible ethische Fragen. Patientinnen sind von der Ausgabe betroffen und müssen informiert werden, wie die KI die Rangfolge der Embryonen unterstützt und dass die Embryologin bzw. der Embryologe entscheidet.

Betriebsrat: hängt vom Einzelfall ab. Wenn das System erfasst, welche Embryologin bzw. welcher Embryologe einen Score akzeptiert oder übersteuert hat, ist es zur Leistungsüberwachung geeignet und löst die Mitbestimmung nach §87 Abs. 1 Nr. 6 BetrVG aus; informieren Sie den Betriebsrat, wenn sich Prozesse durch KI ändern (§90 Abs. 1 Nr. 3), und ziehen Sie einen Sachverständigen in Betracht (§80 Abs. 3). Wo kein Betriebsrat besteht, entfällt dies; öffentliche Kliniken beteiligen den Personalrat.

Datenschutz: Reproduktions- und Gendaten sind besondere Kategorien, daher ist eine DSFA wahrscheinlich (Art. 35 DSGVO), mit AVV für die Anbieter (Art. 28) und Einbindung der Datenschutzbeauftragten. KI-Kompetenz: Unterstützen Sie Beschäftigte mit Schulungen zur Bedeutung des Scores, zu seinen Grenzen und zum Automationsbias (Art. 4 KI-Verordnung (AI Act); GUIDE-006). Führen Sie einen Pilotbetrieb im Schattenmodus mit einer kleinen Gruppe von Embryologen durch, vergleichen Sie die Scores mit deren Entscheidungen und lassen Sie die Embryologin bzw. den Embryologen die endgültige Entscheidung treffen. Typische Bedenken sind Kompetenzverlust und ethische Zweifel; begegnen Sie ihnen mit offener Kommunikation und dokumentierter Aufsicht. Siehe GUIDE-008, GUIDE-005, GUIDE-014.

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): hohes Risiko. Ein KI-System, das ein Medizinprodukt (oder Sicherheitsbauteil) ist und nach der MDR eine Konformitätsbewertung durch Dritte erfordert, gilt über Art. 6 Abs. 1/Anhang I als Hochrisiko; es gelten Pflichten (Risikomanagement, Daten-Governance, menschliche Aufsicht, Protokollierung), mit dem gestaffelten Zeitplan für Produkte nach Anhang I bis zum 2. August 2028 [4] (vom August 2027 durch das Digital Omnibus on AI, Verordnung (EU) 2026/1744 verschoben). Keine verbotene Praxis, aber die Auswahl von Embryonen nach nicht-medizinischen Merkmalen ist ethisch und rechtlich ausgeschlossen (siehe unten).
• MDR (EU 2017/745): Software, die die Auswahl von Embryonen für den Transfer unterstützt, wird im Allgemeinen mindestens als Klasse IIa eingestuft (Regel 11); prüfen Sie das Zertifikat der Benannten Stelle und die Zweckbestimmung [5].
• Deutschland: Das Embryonenschutzgesetz (ESchG) begrenzt den Umgang mit Embryonen streng, einschließlich Auswahl und genetischer Untersuchung (PID nur nach §3a und mit Ethikkommission); Kliniken müssen prüfen, dass die Produktfunktionen in den Rechtsrahmen passen. Die Regeln unterscheiden sich zwischen den Mitgliedstaaten.
• DSGVO: Embryovideos mit Bezug zu Patientinnen, genetische und Gesundheitsdaten (Art. 9); ausdrückliche Einwilligung, DSFA, Auftragsverarbeitungsverträge, keine Nutzung für Sekundärtraining ohne Rechtsgrundlage.
• Ethik: keine Auswahl nach Geschlecht oder nicht-medizinischen Merkmalen; Transparenz gegenüber Patientinnen über den KI-Einsatz und die Unsicherheit; einen Score nicht als Garantie darstellen.
• Gegenmaßnahmen: lokale Validierung, menschliche Entscheidungsbefugnis, Protokollierung von Übersteuerungen, Überwachung nach dem Inverkehrbringen.

Erste Schritte

1. Definieren Sie das Ziel (Einheitlichkeit, Zeitersparnis, Unterstützung bei der Rangfolge) und erfassen Sie die aktuelle Variabilität der Bewertung.
2. Klären Sie den Rechtsrahmen (ESchG oder nationales Recht, Ethikkommission) und das MDR-Zertifikat des Produkts.
3. Erproben Sie ein CE-gekennzeichnetes Produkt im Schattenmodus an retrospektiven Fällen aus Ihrer eigenen Klinik.
4. Vergleichen Sie die KI-Rangfolge mit der Wahl der Embryologen und den bekannten Ergebnissen; legen Sie Regeln für Übersteuerungen fest.
5. Richten Sie eine Nachbeobachtung nach dem Inverkehrbringen mit Ergebnisverfolgung sowie Dokumentation von Einwilligung und DSFA ein.

Quellen

1. Vitrolife — iDAScore product and clinical evidence — https://www.vitrolifegroup.com/
2. Kragh MF, Karstoft H et al., "Automatic grading of human blastocysts from time-lapse imaging" and iDAScore studies — https://pubmed.ncbi.nlm.nih.gov/?term=iDAScore+embryo
3. Gomez T et al., "A time-lapse embryo dataset for morphokinetic parameter prediction" (Data in Brief 2022) — https://doi.org/10.1016/j.dib.2022.108258
4. Regulation (EU) 2024/1689 (AI Act) — https://eur-lex.europa.eu/eli/reg/2024/1689/oj
5. Regulation (EU) 2017/745 (MDR) — https://eur-lex.europa.eu/eli/reg/2017/745/oj
6. Fairtility — CHLOE embryo assessment — https://www.fairtility.com/
7. Embryonenschutzgesetz (ESchG) — https://www.gesetze-im-internet.de/eschg/
8. ESHRE — Good practice recommendations on add-ons / time-lapse in reproductive medicine — https://www.eshre.eu/Guidelines-and-Legal