综述：卵巢智力：利用抗苗勒管激素（AMH）和抑制素B的人工智能应用

《Frontiers in Endocrinology》：Ovarian intelligence: AI applications leveraging AMH and inhibin B

　　摘要：人工智能正在通过实现对关键生物标志物（如抗苗勒氏管激素（AMH）和抑制素B）的更细致和个性化的解读，来改变生殖医学。虽然AMH被广泛用于评估卵巢储备，但由于其动态性质和缺乏标准化检测方法，抑制素B（一种依赖于卵泡刺激激素（FSH）的卵泡活性标志物）一直未能得到充分利用。在这篇综述中，我们探讨了如何利用人工智能驱动的工具整合这些激素信号，以改善临床决策。我们重点介绍了三个代表性模型：OvaRePred（也称为HerTempo），它可以预测卵巢储备和围绝经期时间；PCOSt，它能够早期筛查和表型分析多囊卵巢综合征；以及POvaStim，它通过模拟卵巢敏感性来个性化促性腺激素的剂量。总体而言，这些工具为个体化生育管理提供了新的可能性，并可能有助于将生殖护理从被动治疗转向基于数据的主动健康规划。我们还讨论了新兴的创新，例如跨平台检测方法协调、现场激素检测和纵向生物标志物建模。展望未来，将这些技术与营养干预、可穿戴技术和基因或免疫数据相结合，可以扩展这些工具的应用范围，支持一个更广泛的、由人工智能驱动的女性终身健康生态系统。

1 引言：从静态标志物到适应性预测
卵巢储备——历史上通过卵泡刺激激素（FSH）、雌二醇和窦状卵泡计数（1-6）来评估的有限卵母细胞池——仍然是女性生育能力评估的基石。抗苗勒氏管激素（AMH）由于其最小的周期变异性（7-10%），彻底改变了储备评估的方式，而抑制素B则提供了由FSH驱动的卵泡活性动态反馈（11, 12）。然而，没有单一的生物标志物能够完全解决患者的迫切问题：我的储备正在以多快的速度消耗？围绝经期何时开始？简单的血液检测能否确定我是否患有多囊卵巢综合征（PCOS）？我的卵巢刺激方案的最佳起始和调整剂量是多少？人工智能现在通过整合激素检测、影像指标和患者人口统计数据，将这些工具联系起来，形成了一个不断学习的预测引擎。在这篇综述中，我们（i）探讨了AMH和抑制素B如何作为生殖人工智能平台的“存量”和“流量”输入；（ii）展示了OvaRePred（也称为HerTempo）、PCOSt和POvaSt等旗舰工具的实际影响；（iii）讨论了改进这些算法和将预测预测嵌入常规临床护理的未来方向。

2 AI工程师需要了解的AMH和抑制素B的基本知识
准确的、数据驱动的卵巢功能模型依赖于两种互补的生物标志物：AMH和抑制素B。以下是每种信号的关键特性以及如何将它们整合到预测算法中的指导。

2.1 AMH：稳定的“存量”卵泡数量信号
AMH由小发育中的卵泡中的颗粒细胞分泌——从初级阶段到早期窦状阶段——基本上独立于促性腺激素（Gn）的波动（7, 8, 10, 13）。原始卵泡——卵巢最不成熟的阶段——不分泌AMH（14, 15）。一旦它们成为初级卵泡，分泌就会开始，并以独立于Gn的方式持续到次级和窦前阶段，因为颗粒细胞对FSH和LH无反应（10）。这种持续的输出使得AMH在整个月经周期中的变异性很小，使其成为一种可靠的卵巢储备标志物。在小窦状阶段（2-8毫米），卵泡开始对Gn敏感，AMH的产生受到FSH的调节，这解释了观察到的轻微周期相关波动（16-18）。哪些卵泡驱动循环中的AMH仍存在争议。Weenen等人报告说大多数初级卵泡中的AMH水平较低，在次级、窦前和小窦状卵泡（≤4毫米）中达到峰值，然后在大卵泡（4-8毫米）中逐渐减少（10）。相反，Jeppesen等人发现5-8毫米的卵泡对血清AMH的贡献最大（19）。这些对比发现可能解释了为什么有些女性的AMH波动比其他人更大，并表明既独立于Gn也依赖于Gn的小卵泡在激素动态中起作用。

2.1.1 强点
2.1.1.1 周期稳定性
个体内部以及不同周期之间的AMH水平变化很小——通常小于10%（20）。这种稳定性是因为AMH主要由小窦前和早期窦状卵泡中的颗粒细胞分泌，基本上独立于Gn的波动（10）。尽管在卵泡后期有轻微的Gn依赖性调节，但这些变化很少具有临床意义。显著的AMH波动主要发生在雌二醇水平显著升高时，例如卵巢刺激（21）或卵巢囊肿（22）的情况下，但这些情况并不常见。因此，单次AMH测量可以可靠地捕获基础卵巢储备，简化生育能力评估（23）。

2.1.1.2 采样准确性和灵活性
在过去十年中，AMH测量方法已经从可变的手动酶联免疫吸附测定（ELISAs）发展到完全自动化的化学发光免疫测定，实现了低于5%的测定间和测定内变异系数，显著提高了校准一致性和测定重复性。同时，微流控平台和干血点（DBS）方法的出现使得可以从微量指尖血样和月经液中定量AMH（24, 25），支持低体积的现场（POC）和家庭工作流程，用于卵巢储备评估和纵向监测。此外，AMH在不同储存和运输条件下的稳定性为其在分散的生殖健康计划中的应用奠定了基础（26），并加快了生育咨询——消除了常规静脉穿刺和集中实验室的需要，同时提高了患者的舒适度、可及性和个性化护理。

2.1.1.3 预测相关性
血清AMH浓度可靠地反映了卵巢储备，并与生殖结果密切相关，特别是在体外受精治疗中的卵母细胞产量和绝经时间的预测（5, 26-28）。将AMH纳入预测算法使临床医生能够准确地向患者提供生育潜力咨询，量身定制刺激方案，并预测绝经期，从而增强个性化的生殖管理。

2.1.2 AMH作为生殖生物标志物的局限性
由于生物学和技术上的挑战，AMH作为生殖生物标志物的局限性需要在临床和研究背景下仔细考虑。

2.1.2.1 病理学敏感性
某些卵巢状况会显著扭曲AMH测量结果。例如，颗粒细胞肿瘤会产生异常高的AMH水平（29），错误地提示卵巢储备充足，可能延迟准确诊断。PCOS也会由于卵泡数量增加而提高AMH水平（30），但这并不反映真实的生殖潜力，使得卵巢储备的解读变得复杂。因此，在这些情况下，AMH结果应始终结合超声和其他临床评估（31）。

2.1.2.2 避孕效果
复合口服避孕药（COCs）会暂时抑制卵泡发育，降低血清AMH浓度，错误地表明卵巢储备较低（32）。停药两个月后，水平通常会恢复正常，因此指南建议在停药后延迟AMH检测（32, 33）。如果立即停药不可行，临床医生必须保守地解释AMH结果并考虑重新检测。

2.1.2.3 测定漂移和标准化问题
AMH测定之间的技术差异给解释带来了很大挑战（34）。不同商业免疫测定方法、抗体特异性、校准方法甚至同一测定批次之间的不一致性都使得临床决策和数据比较变得复杂（34, 35）。因此，准确的解释需要严格的质量控制、标准化协议和透明的测定类型文档。临床解释必须将AMH数据深思熟虑地整合到更广泛的诊断框架中，包括患者年龄、窦状卵泡计数和临床历史，以有效减轻这些局限性。

2.2 抑制素B：受FSH驱动的“流量”卵泡活性信号
抑制素B由FSH刺激的颗粒细胞在中等大小的窦状卵泡中产生，这些卵泡的直径通常在3到13毫米之间（36）。其分泌曲线与AMH一起在图1中进行了总结。抑制素B水平在周期第7天左右达到峰值，就在主导卵泡选择之前（12, 36）。在此峰值之后，随着雌二醇产生的增加，水平迅速下降，标志着向卵泡主导阶段和排卵阶段的过渡。

图1：示意图展示了AMH和抑制素的分泌。图中显示了卵巢中从原始卵泡到排卵的卵泡发育阶段。AMH从初级卵泡到早期窦状卵泡分泌，涉及FSH依赖和独立的阶段，在评估卵巢储备中起着关键作用。抑制素B的分泌从早期窦状卵泡阶段开始，并且是FSH依赖的，提供对FSH水平的反馈调节。该图还强调了向卵泡选择的过渡，最终导致主导卵泡的排卵。

由于其直接依赖于循环中的FSH浓度，抑制素B是一种敏感和动态的生物标志物，用于评估卵巢卵泡对激素刺激的即时反应性（12）。其时间曲线紧密反映了FSH驱动的卵泡招募，使其特别适用于控制性卵巢刺激协议中的实时监测。抑制素B与FSH之间的关系在图2中进行了说明。

图2：卵泡阶段的激素调节。（A）月经周期中的激素波动：该图展示了卵泡和黄体阶段的FSH和抑制素B水平的动态变化。抑制素B在卵泡早期到中期达到峰值，对应于FSH支持卵泡招募。此图基于“Inhibin B - 概述”（ScienceDirect Topics）中的原始插图进行了重新设计，网址为https://www.sciencedirect.com/topics/nursing-and-health-professions/inhibin-b。（B）卵巢功能的调节：该图描绘了卵泡阶段不同阶段的复杂激素相互作用。AMH和雄激素调节卵泡对FSH的反应，而抑制素B和雌二醇（E2）提供反馈，调节FSH的分泌，确保卵泡的适当发育和排卵。

2.2.1 强点：动态响应和预测价值
连续测量抑制素B——例如评估早期卵泡阶段时间点（如周期第2天和第6天）之间的变化——为临床提供了关于卵巢对内源性和外源性FSH刺激的即时反应性的宝贵见解（37-39）。与静态生物标志物不同，这种动态评估允许临床医生在刺激过程中早期确定卵泡是否适当反应，从而及时调整方案以改善临床结果。在这种情况下，动态响应并不意味着封闭的生理反馈循环；相反，它指的是将连续的抑制素B变化解释为卵泡活动的近似实时指标。抑制素B在早期刺激过程中的变化范围对于辅助生殖技术（ART）的结果显示出很强的预测价值。具体来说，这个增量指数与最终获得的卵母细胞数量密切相关，有助于识别卵巢反应不良风险较高的患者（37, 38, 40）。因此，抑制素B的动态变化为个性化卵泡刺激策略提供了一个实用且可量化的工具。在控制性卵巢刺激（COS）中，持续监测抑制素B因此成为传统临床和超声评估的有用补充（37, 38, 40-42）。早期抑制素B的增加反映了FSH驱动的小窦状卵泡的激活，并与随后的卵巢反应和卵母细胞产量一致相关（37, 38）。此外，连续的抑制素B趋势通常先于或补充超声发现，为决策增加了另一个生物学维度。当与其他临床指标一起解释时，抑制素B的趋势可以帮助临床医生更早地识别不足或过度的刺激，支持更安全和有效的周期内剂量调整。

2.2.2.1 采样强度
由于抑制素B在早期卵泡阶段的快速动力学和高度动态性，准确的解释至少需要每个月经周期进行两次精确采血（例如，周期第2天和第6天）。这种必要性显著增加了患者的不便、物流复杂性和医疗资源需求，可能限制了其常规临床应用。此外，采样的时间变化可能影响结果的一致性，需要仔细的安排和患者的配合。

2.2.2.2 低估
历史上，抑制素B经常在单一、孤立的时间点进行评估，忽略了其固有的动态波动（43, 44）。这种有限的采样方法未能捕捉到反映卵泡反应性的关键变化，从而低估了抑制素B的预测潜力。结果，许多传统数据集未能充分代表该生物标志物的全部临床效用，阻碍了其广泛认可和整合到标准生育评估方案中。

2.2.2.3 测定标准化
类似于AMH，抑制素B的测定结果在不同分析平台之间存在差异，这使得实验室和临床研究之间的直接比较变得复杂（45）。然而，目前生产经过验证的高通量抑制素B试剂盒的制造商较少，进一步限制了测定的标准化和广泛实施。这种变异性需要严格的质量控制努力，并使多中心研究变得复杂，最终限制了该生物标志物在生殖医学中的更广泛整合和接受。

2.3 相互补性：结合“存量”和“流量”以增强AI功能
AMH和抑制素B提供了关于卵巢功能的独特而互补的见解，当它们在人工智能（AI）模型中整合时，显著增强了预测分析。AMH主要代表卵巢的“存量”，指示剩余卵泡的数量，并且在周期内外相对稳定（10, 19, 20）。其稳定的浓度反映了静态的生物资源，基本上独立于即时的激素波动。相反，抑制素B作为“流量”指标，随FSH水平和卵泡动态的快速变化而变化，从而反映了实时的卵巢活动（12）。这些生物标志物的互补性通过它们不同的时间行为和生物学驱动因素得到了强调。如表1所示，抗苗勒管激素（AMH）的水平足够稳定，因此单次测量可以可靠地评估卵巢储备情况；而抑制素B的快速波动需要通过连续测量来准确捕捉卵巢的动态反应能力。因此，AMH主要回答“卵巢储备还剩多少？”的问题，而抑制素B则能回答“卵巢目前的反应活跃程度如何？”。

表1
| 特性 | AMH（“存量”） | 抑制素B（“流量”） |
|--------------|---------------|-----------------|
| 时间行为 | 在周期内及周期间相对稳定 | 在几天/几小时内波动显著 |
| 生物驱动因素 | 卵泡数量 | FSH驱动的卵泡活动 |
| 主要问题 | “卵巢储备还剩多少？” | “卵巢目前反应有多强烈？” |
| 采样优势 | 单次采样；时间偏差小 | 需要早期周期或刺激周期的连续采样 |
| 互补性 | 结合“存量”和“流量”以获得更丰富的AI特征 |

3. 旗舰AI应用
在这里，我们重点介绍了几个主要基于AMH和抑制素B开发的旗舰应用，展示了这些生物标志物如何转化为可操作的智能信息，以支持卵巢储备评估、多囊卵巢综合征（PCOS）风险分层以及辅助生殖技术（ART）中的个性化用药策略。重要的是，这些平台的算法核心依赖于透明且成熟的统计模型，如逻辑回归和线性回归，而不是不透明的黑箱架构或计算密集型的深度学习系统。这种设计选择显著降低了计算负担，便于在不同临床环境中实施，并提高了可解释性和 regulatory 可接受性。尽管计算上较为简单，但这些工具利用大规模的真实世界数据集生成个性化概率输出，而不是固定的诊断阈值，能够随着新数据的积累进行迭代性能优化，并可以嵌入到支持可扩展、个性化决策的智能数字生态系统中。从这个意义上说，这些工具最好被视为结合了人工智能的临床决策支持平台，它们位于传统生物统计学和完全自主的AI之间的实用中间地带，兼具方法论的稳健性、效率和广泛的临床适用性。

3.1 OvaRePred (HerTempo)：卵巢储备评分和围绝经期年龄预测
卵巢储备是决定女性生育能力的最关键因素，但在临床实践中其评估方法仍然不一致且零散。目前的评估通常依赖于孤立的指标，如AMH、窦卵泡计数（AFC）或促卵泡激素（FSH）。然而，这些指标往往基于定性判断或任意阈值进行解读，缺乏标准化的评分系统或纵向背景。这导致解读不一致、错过早期卵巢功能下降的情况，以及生育决策的时间安排不当。迫切需要一个统一、定量且面向未来的工具来进行精确评估和生育规划。
OvaRePred (HerTempo)（演示版：http://121.43.113.123:8005/）是一个旗舰AI工具，通过逻辑回归框架提供个性化的卵巢储备评估和绝经期年龄预测。它包括三种针对不同数据可用性场景的可扩展模型变体：AA模型（AMH + 年龄）、AFA模型（AMH + FSH + 年龄）和AAFA模型（AMH + FSH + AFC + 年龄）。重要的是，我们从大型真实世界ART数据集中得到的结果表明，AMH是主要的预测指标，占AA模型预测能力的约95%，同时其实用性也很高，因为可以在月经周期的任何一天进行AMH采样，极大地扩大了应用范围，使其适用于常规健康管理和非ART环境。AA模型的结果随后被输入到一个基于人群水平ART数据的S型卵巢老化曲线中，从而实现对卵巢功能下降的细致解读。它产生三个关键输出：（i）1-100的卵巢储备评分；（ii）将女性的当前卵巢储备映射到标准老化曲线上的个体化卵巢内分泌年龄；（iii）预计卵巢储备下降（评分=50）和围绝经期开始（评分最低）的年龄。这允许进行当前状态分析和未来状态预测。
由于OvaRePred (HerTempo)可以预测达到特定卵巢功能状态的年龄，因此明确这些里程碑的操作定义至关重要。卵巢储备下降（DOR）没有普遍接受的临床定义，通常使用AMH、AFC、基础FSH阈值或ART中的卵巢反应标准来描述。在我们的建模框架中，DOR被定量定义为卵巢储备评分为50，对应于50%的卵巢反应不良概率。这个基于概率的阈值将DOR的概念锚定在一个具有临床意义的结果上，而不仅仅是一个单一的生物标志物阈值。重要的是，因为模型预测的是达到给定卵巢储备概率的年龄，所以每个里程碑都必须对应一个定义的风险水平。因此，在这种情况下，DOR年龄代表卵巢反应不良概率达到50%的预测年龄，提供了一种连续且以结果为导向的卵巢功能下降解读。
同样，OvaRePred预测的“围绝经期开始年龄”应在基础数据集的约束条件下进行解读。由于该模型是基于大规模ART人群开发的，训练数据集中没有真正的绝经女性，因此不能直接应用传统的月经分期系统（如STRAW定义的围绝经期）。在这种框架下，预测的围绝经期里程碑对应于卵巢储备评分达到ART人群中观察到的最低范围的年龄，反映了卵巢储备极低的女性，她们在生物学上接近绝经过渡期。这代表了一种实用的、基于功能的代理指标，而不是正式的绝经期重新定义。我们强调这些里程碑是模型推导出的操作定义，旨在实现卵巢功能老化的纵向预测。它们补充而非取代了现有的临床标准，并为个性化生育咨询和前瞻性健康规划提供了基于概率的结构。
需要澄清的是，在ART人群的背景下，“围绝经期开始”并不表示真正的绝經，而是指卵巢储备最差、生物学上接近绝经过渡期的亚群。这代表了一种实用的、具有临床意义的替代指标，因为真正的绝经女性并不包含在ART数据集中。
除了静态评估之外，OvaRePred还结合了人群层面的卵巢老化动态。基于已建立的卵巢储备模型，我们描述了卵巢储备下降（DOR）随年龄增加的概率，并识别出人群层面的相对稳定模式。与“固定间隔”假说一致，尽管存在个体差异，但可以从人群衍生的下降模式中推断出个体女性的卵巢老化轨迹。因此，了解当前的卵巢状态和人群衍生的老化速度，就可以基于间隔来预测卵巢储备何时达到特定的临床相关阈值。
OvaRePred (HerTempo)表现出出色的校准性能，在大约32,000个ART周期中的老化曲线拟合R2约为0.99，并已在我们的中心实施了两年多，支持了超过100,000次实际应用。它也在中国的多家医院和健康检查机构得到推广，得到了临床医生和患者的一致好评。
正在进行的工作包括使用新的真实世界数据持续更新模型、扩展到纵向AMH建模以估计下降速度，以及适应更广泛的女性人群（包括有并发症的女性），还包括与心血管标志物、骨密度和代谢老化等系统健康指标的整合，以构建更全面的女性健康指数。
临床应用非常广泛。对于生育咨询，储备评分可以提供最佳受孕或卵子冷冻保存的时间；对于接受化疗或其他性腺毒性治疗的女性，它支持卵巢风险分层。在中年女性中，预测的围绝经期年龄可以指导症状管理和并发症预防的预见性护理。重要的是，除了预测之外，该框架还能建立基于卵巢内分泌年龄的关键生物标志物的参考范围。通过用生理学对齐的基准替换纯粹的年代或人群基间隔，可以解决由于卵巢储备的个体差异导致的过宽“正常”范围问题，从而加强精准内分泌学、精准营养和个性化预防护理。
在可用性和实际影响方面，将OvaRePred (HerTempo)嵌入到面向消费者的数字平台（如健康应用程序和可穿戴系统）中，将使女性能够更定期地监测生殖健康，并做出明智的生活和职业决策。同时，与电子医疗记录的整合以及与健康科技公司的合作可以进一步促进可扩展的临床应用。总体而言，OvaRePred (HerTempo)代表了从被动生育管理向主动、数据驱动的生育规划的转变，相关的研究正在进行中，相关数据将在即将发表的出版物中报告。图3示意性地展示了OvaRePred (HerTempo)的个性化卵巢储备评估及其在健康管理中的作用，这只是其更广泛功能的一部分。

图3
OvaRePred (HerTempo)：个性化卵巢储备评估及其在健康管理中的作用。示意图首先强调了卵巢储备评估中的关键挑战，如定性解读、对任意阈值的依赖以及无法预测未来卵巢老化的能力。然后介绍了OvaRePred (HerTempo)，它可以生成个性化卵巢储备评分（1-100）和内分泌年龄，从而准确预测卵巢储备下降和围绝经期开始。OvaRePred (HerTempo)的临床应用包括早期检测和卵巢老化的纵向监测、卵巢健康的基于风险的分层管理，以及及时识别围绝经期以支持针对性的中年预防干预。

3.2 PCOSt：人群规模的PCOS三项筛查
PCOS是影响育龄女性的最常见的内分泌和代谢疾病之一，全球患病率在6%到20%之间。除了生殖问题外，PCOS越来越多地被认为是各种代谢、心血管和心理状况的早期阶段，包括2型糖尿病、心血管疾病、高血压、肥胖、睡眠呼吸暂停、抑郁症和焦虑症。这些广泛的系统性后果强调了迫切需要可扩展、高效的筛查策略，以便尽早识别高风险女性。
PCOSt（演示版：http://121.43.113.123:8888/）是一个使用广泛生殖中心数据集创建的简化AI驱动筛查工具，用于快速识别PCOS高风险女性。与传统的Rotterdam标准不同，后者需要排除其他内分泌疾病（例如甲状腺功能障碍、高泌乳素血症、先天性肾上腺增生），然后确认至少两项标准——卵泡稀少或无排卵、高雄激素血症和多囊卵巢形态（46），PCOSt模型大大简化了筛查过程。传统的Rotterdam标准需要多次评估和重复的临床访问，使其不适合大规模筛查计划。
PCOSt的初步开发包含了四个预测因子——AMH、月经周期长度的上限（UML）、体重指数（BMI）和雄烯二酮（A4）——以捕捉生化高雄激素血症以及卵巢形态和排卵功能障碍（62）。在后续的模型改进和外部验证中，我们系统地评估了A4的贡献程度，发现去除A4并不会导致统计显著差异（AUROC）或校准性能的差异（63）。这一发现在生物学上是合理的，因为在PCOS人群中AMH和A4之间存在中等程度的相关性，反映了卵泡过度和雄激素活动的重叠病理生理信号（64）。鉴于模型简化的原则和在初级保健和远程医疗环境中最大化可扩展性的目标，我们采用了简化的三变量模型（AMH、UML、BMI）作为主要筛查框架，同时保留了四变量版本作为雄激素检测常规可用的扩展选项。基于11,720个临床诊断案例建立的PCOS-3模型表现出色，其中AMH是最主要的贡献因素（47.0%的主要效应；58.9%的总效应），其次是UML（34.5%的主要效应；46.2%的总效应）和BMI（4.3%的主要效应；7.9%的总效应）。在外部验证中，该模型的AUROC为0.841（95% CI 0.826–0.856），校准性能强，概率与严重程度对齐良好（63）。所有预测都直接针对由生殖内分泌学家定义的Rotterdam诊断进行了基准测试，确保了临床相关性和实际应用性，风险阈值可以根据挑战性情境（如青少年筛查）进行灵活调整。
在操作上，PCOSt并不旨在替代专业诊断，而是作为一种可扩展的分诊和风险识别工具。它特别适合初级保健、远程医疗、学校健康或职业筛查项目，以及无法立即进行完整Rotterdam评估的数字健康生态系统。新兴的微创AMH测量技术，包括指尖采血或月经血检测，进一步提高了人群部署的可行性（24, 25）。重要的是，PCOSt中的预测阈值可以适应历史上具有挑战性的诊断情境——例如青少年、早期表型PCOS或未被充分识别的代谢风险PCOS亚型——从而支持更早的干预和临床转诊。
展望未来，将PCOSt与先进的AI技术（如使用卷积神经网络的超声表型分析、结合代谢和生活方式因素的多模态风险分类器以及特定表型的预测模型）相结合，可能会进一步提高诊断的精细度。将PCOSt嵌入国家筛查框架或青少年健康计划中，有可能显著改善早期诊断、个性化管理和全球范围内的长期健康结果。图4展示了PCOSt在PCOS识别、分层和护理路径中的整合作用。PCOSt：一种用于PCOS诊断和管理的综合方法。该图概述了PCOSt工具在临床管理中的潜在应用。它整合了PCOS分诊的关键症状、生化和临床指标，并考虑了相关的并发症和社会影响，最终支持改进的诊断和全面的患者护理。

3.3 POvaStim：用于控制性卵巢刺激的算法化FSH剂量调整

在辅助生殖技术（ART）中，选择适当的FSH剂量对于获取足够数量的卵子同时确保其发育潜力至关重要。然而，由于年龄、卵巢储备和激素谱型的差异，个体的卵巢反应差异很大。目前，FSH的剂量主要取决于医生经验，这可能导致不一致和次优的结果。显然需要基于人工智能的工具来支持数据驱动的个性化剂量决策。POvaStim（演示网址：http://fsh.vecverse.com）是一个基于人工智能的临床决策支持工具，旨在优化ART过程中促性腺激素的剂量调整。准确的FSH剂量至关重要：剂量过低可能导致卵泡反应不良或周期取消，而剂量过高则会增加卵巢过度刺激综合征（OHSS）的风险，提高治疗成本，并增加患者的负担。POvaStim采用两步框架：

第一步：预测获取的卵子数量。基线模型1（第2天预测因子）主要由抗苗勒管激素（AMH）驱动（主要效应90.2%），其次是窦状卵泡计数（AFC）（3.6%）和年龄（0.3%）。第6天模型2通过结合第2天和第6天的抑制素B变化进一步调整预测。

第二步：建模卵巢敏感性并推荐FSH剂量。模型3使用第2天的参数预测起始FSH剂量。AMH是主要决定因素（主要效应83.5%；总效应86.0%），其次是AFC（主要效应7.5%；总效应9.9%），再其次是基础FSH（主要效应1.5%；总效应2.4%）和年龄（主要效应1.5%；总效应2.5%）。模型4预测月经周期第6天的剂量调整，此时抑制素B变化成为主要贡献因素（主要效应48.9%；总效应50.8%），其次是AMH（主要效应30.0%；总效应31.8%）、AFC（主要效应12.7%；总效应14.5%）和年龄（主要效应2.0%；总效应3.2%）。模型3和模型4共同解释了超过90%的卵巢敏感性变异，显示出很高的预测能力和临床可解释性。在一项病例对照研究中，使用POvaStim的初级医生达到了与资深医生相当的结果，表明其有潜力缩小经验差距并标准化决策过程。

除了支持经验较少的临床医生外，POvaStim还为经验丰富的医生提供了一个数据驱动的参考点，补充他们的临床判断。然而，由于抑制素B目前尚未常规监测，剂量调整模型需要进一步的实际验证。最终，POvaStim的目标是通过将复杂的生物学数据转化为可操作的见解来增强而非替代临床决策。通过更广泛的验证，其基于卵巢敏感性的算法也可以扩展到其他控制性卵巢刺激（COS）方案和生育力保存策略中。图5展示了使用POvaStim进行优化控制性卵巢刺激的AI引导算法化FSH剂量的示意图。

4. 未来展望：构建“卵巢智能”生态系统

4.1 卵巢智能：将AI应用扩展到辅助生殖技术之外

随着AMH和抑制素B越来越多地融入人工智能（AI）模型，生殖医学正进入一个卵巢智能的新时代。诸如OvaRePred（HerTempo）、PCOSt和POvaStim等工具最初是为了提高ART的精确度和效率而开发的，但已经显示出超出体外受精（IVF）范围的更广泛潜力。这些AI系统有望成为贯穿女性生命周期的主动、个性化和持续健康管理的核心组成部分。

OvaRePred（HerTempo）能够准确预测卵巢储备和围绝经期时间，使关于生育规划和更年期健康的决策更加明智。PCOSt提供了早期的数据驱动筛查和PCOS表型分析，有助于在临床症状出现之前识别代谢和心血管风险。POvaStim利用卵巢敏感性模型推荐个性化的FSH起始剂量和周期中的剂量调整，提高卵巢刺激的安全性和有效性。这些工具共同形成了从风险筛查到治疗指导的集成AI链条，为生殖和系统健康提供全面支持。更重要的是，它们非常适合整合到更广泛的健康和 wellness 平台中。

4.2 相互补充的检测方法：整合尿液和血清生物标志物

新兴的尿液激素技术可以测量雌酮-3-葡萄糖醛酸苷（E3G）和孕二醇-3-葡萄糖醛酸苷（PDG），允许方便、无创地每天跟踪雌激素动态、排卵时间和黄体功能，对于自然受孕优化特别有价值。相比之下，基于血清的AMH和抑制素B提供更稳定的信息，支持卵巢储备评估、内分泌老化预测和临床风险分层以及干预指导。这些方法不是竞争关系，而是相互补充的。将E3G/PDG数据整合到基于AMH和抑制素B的AI框架中，提供了一种多模式途径，使血清生物标志物的长期“容量”信号通过高分辨率的实时功能信息得到动态增强。这种融合将卵巢智能工具从静态预测扩展到连续的家庭监测，实现更精确的生育管理、更早的预防干预和完全个性化的生命周期导向的生殖护理。

4.3 从AI辅助分析到完全自适应智能

区分当前AI支持的卵巢智能与领域的发展方向非常重要。目前，大多数临床部署的系统都是基于从大规模真实世界数据集中严格验证的统计模型构建的。这些主要是“小型模型”——透明、可解释、计算要求低，并已在临床环境中得到验证。它们对资源的需求低，逻辑清晰，非常适合常规部署，也易于作为可信的分析模块整合到更广泛的AI生态系统或大型基础模型中。然而，未来的发展趋势是朝向更先进的人工智能，包括整合激素、成像、行为、遗传和免疫数据的多模态学习；用于表征内分泌老化动态的纵向建模；基于深度学习的卵巢形态学解释；以及自主的治疗优化引擎。因此，虽然当前平台在统计和AI之间处于实用的接口，但它们为朝着完全自适应、持续学习的生殖医学健康系统的逐步发展建立了坚实的基础。

4.4 数字健康整合与营养AI的兴起

在不久的将来，这个生态系统将与数字健康工具、行为数据流和个性化营养策略日益融合。通过将OvaRePred（HerTempo）与周期跟踪平台、可穿戴设备、家庭采样和生活方式日志相结合，可以实现连续的卵巢监测，从而及早识别加速衰退的轨迹。关键的是，基于卵巢内分泌年龄的参考范围的开发为解释激素和代谢生物标志物提供了一个生理基准，有助于克服由个体差异导致的过宽“正常”范围的挑战。将营养决策与内分泌年龄相联系，而不是仅仅基于实际年龄，为精准营养创造了基础，允许在正确的时间和剂量上进行有针对性的补充。

4.5 技术基础：标准化、即时检测（POCT）和平台协调

从技术角度来看，平台协调对于可扩展性至关重要。跨检测的AMH转换工具正在出现，但完全标准化将要求检测供应商共享批量级别的校准元数据。一个协作的行业框架对于确保AI模型的稳定性和互操作性至关重要。在诊断方面，针对AMH和抑制素B的即时检测（POCT）正在迅速发展，微流控芯片和基于月经血的采样技术有望将激素跟踪带入家庭。

4.6 纵向建模、精确表型分析和肿瘤学应用

更加令人兴奋的是纵向生物样本库和行为数据集的整合，这使得超越静态诊断的动态AI建模成为可能。随着时间的推移，这些模型将通过重复的激素测量揭示基于轨迹的见解，例如AMH下降的速度，从而及早识别加速的生殖老化。随着模型的发展，它们还将整合基因组和免疫层面（例如AMHR2/FSHR多态性、抗AMH抗体、炎症标记物），提高在自身免疫性卵巢 insufficiency、内分泌抵抗性不孕和PCOS变异等复杂条件下的精确度。即使在女性癌症患者中，抗肿瘤治疗也会直接破坏卵泡并破坏卵巢微环境，导致DNA损伤、氧化应激和血管损伤，最终降低生育能力和内分泌功能障碍。这种损伤的程度与患者的年龄、治疗类型和剂量密切相关。OvaRePred（HerTempo）在这种情况下显示出显著的价值：首先，它允许在治疗前评估卵巢储备，帮助医生和患者制定个性化的生育力保存策略；其次，在治疗后，通过定期监测卵巢储备的变化，OvaRePred（HerTempo）为早期干预提供了基础，及时检测和管理治疗引起的早期卵巢功能不全，从而最大限度地保护患者的生育潜力。

此外，OvaRePred（HerTempo）的预测能力还扩展到癌症患者的全面健康管理。通过预测未来的围绝经期开始时间，医生可以主动干预，评估和管理与卵巢功能下降相关的系统风险，如骨质疏松症、心血管疾病和代谢综合征。这有助于为患者制定更全面和个性化的健康管理计划。总之，OvaRePred（HerTempo）不仅在辅助生殖和生育计划方面具有广泛前景，其在女性癌症患者的生育能力评估和整体健康管理方面的潜力也值得进一步探索和推广。

4.7 异质性考虑：临床表型、种族和检测平台

为了将卵巢智能工具临床化，必须仔细处理生物学和技术的异质性。临床表型是变异性的主要来源：患有PCOS的女性比正常排卵人群具有显著升高的AMH和不同的抑制素B动态，可能会影响概率估计、校准和阈值。种族和人口背景也可能影响卵巢老化轨迹和生物标志物分布，因此需要大型、多中心、多民族的验证以确保普遍性。此外，检测平台的差异——包括校准差异、检测间的漂移和未完全标准化——仍然是关键技术挑战。尽管跨平台转换工具和自动化改进正在帮助缓解这些问题，但强大的协调策略、透明的检测报告和分层建模对于确保基于AMH和抑制素B的AI系统的可靠、公平和可扩展部署至关重要。

4.8 朝着全谱卵巢智能生态系统迈进

卵巢智能不仅仅是一个临床助手；它是每位女性生殖旅程的导航系统。从生育力保存计划到个性化的围绝经期管理；从青少年风险筛查到肿瘤后的卵巢恢复监测；从针对PCOS的代谢干预到个性化的更年期支持——基于AMH和抑制素B的AI工具正在不断扩展其临床和预防价值。最终，这些工具将产生一个全谱、多场景、跨越人群范围的AI生态系统，涵盖诊断、预测、干预、随访和功能性营养。它们将通过将范式从被动护理转变为积极主动、个性化和智能化的健康优化来重新定义女性的医疗保健。卵巢智能生态系统，包括AI工具、数字整合和生命周期应用，在图6中有所体现。

图6展示了全面的卵巢智能生态系统和未来方向。该图描绘了卵巢智能生态系统，突出了关键AI工具——OvaRePred（HerTempo）、PCOSt和POvaStim——以及它们与数字健康技术（如应用程序、可穿戴设备、家庭采样和营养AI）的集成。未来方向包括平台协调、生物样本库整合、基因组数据整合等。该生态系统支持生殖生命周期中的各种应用，包括生育计划、青少年筛查、PCOS干预、营养等。所示的应用仅代表了更广泛潜在用途的一部分。

5. 结论

人工智能通过将AMH和抑制素B等激素信号转化为个性化见解，正在改变生殖医学。诸如OvaRePred（HerTempo）、PCOSt和POvaStim等工具通过预测、筛查和个性化治疗来提升生育护理。展望未来，这些模型在与营养、数字健康平台和即时检测的整合方面具有巨大潜力，从而实现基于生命周期的健康管理。随着这些人工智能系统不断发展，能够整合纵向数据、遗传信息和免疫学数据，它们有望为临床医生和女性提供及时、个性化的建议，从而将生殖健康护理从被动应对转变为智能化、预防性的优化管理。