凍結融解胚移植(FET)は、採卵した周期とは別のタイミングで胚を子宮に戻す治療法であり、近年は移植周期全体の6割以上を占めるまでに普及しています。しかし生児出生率はいまなお40%前後にとどまり、多くの患者が治療の失敗を経験し、身体的・心理的・経済的な負担を抱えています。従来、成功の見込みは医師の経験や過去のデータをもとに個別に判断されてきましたが、妊娠の成立から出生に至る過程は数多くの要因が絡み合う複雑なプロセスであり、人の判断だけで精度の高い予測を行うことには限界があります。
こうした課題に対して、機械学習(ML)を用いた予測モデルの開発が進んでいます。すでに新鮮胚移植を対象とした予測モデルはいくつか報告されていますが、FETに特化したモデルは比較的少なく、また多くのモデルは全体としての予測精度に主眼が置かれ、個々の患者に対してどの要因がどう影響しているかを示す仕組みには乏しいという課題がありました。
こうした背景のもと、BMC Pregnancy and Childbirth誌(2026年)に、FETを受けた患者の生児出生を予測する解釈可能な機械学習モデルの開発と検証に関する論文が掲載されました(doi:10.1186/s12884-026-09610-3)。中国・遵義医科大学附属病院で実施された研究で、SHAP(シャープレイ加法的説明)という手法を用いて、予測の根拠を個々の患者ごとに示せる点が特徴です。
方法──4,937例のデータを、3つのモデルで解析した
対象は、2021年1月から2023年12月にかけてFETを受けた患者3,470例(後方視的コホート、開発用)と、2024年1月から12月にかけて新たにFETを受けた患者1,467例(前方視的コホート、外部検証用)の合計4,937例です。年齢20〜42歳の患者が対象とされ、夫婦いずれかの染色体異常や重い全身疾患を持つ患者、着床前診断・着床前スクリーニングを受けた患者などは除外されました。
患者背景、卵巣予備能、排卵誘発に関する指標、子宮内膜の状態、胚の培養に関する指標、内分泌・代謝関連の指標など、7領域42項目のデータが収集されました。LASSO回帰という手法でまず12個の候補変数に絞り込み、さらに多変量ロジスティック回帰で最終的に10個の予測因子(年齢、AMH、不妊期間、FET施行回数、移植した胚盤胞数、移植した良好胚数、hCG投与日のE2値、hCG投与日の子宮内膜厚、移植胚の種類、子宮内癒着の既往)が選ばれました。これらをもとに、ロジスティック回帰(LR)、ランダムフォレスト(RF)、XGBoostという3種類のモデルが構築され、テストセットと外部検証セットの双方で性能が比較されています。
的中率で先んじたのはXGBoost、外部検証でもAUC 0.81
開発コホートの生児出生率は41.21%、外部検証コホートでは46.01%でした。3つのモデルの予測精度(AUC、1に近いほど識別能が高い指標)は、テストセットでLR 0.818、RF 0.828、XGBoost 0.843、外部検証セットでLR 0.798、RF 0.796、XGBoost 0.809となり、いずれの段階でもXGBoostが最も高い性能を示しました。XGBoostは決定木を段階的に組み合わせて予測を改善していく手法で、変数どうしの複雑な相互作用を捉えやすいという特徴があります。
XGBoostモデルはテストセットで、正診率77.2%、適合率78.6%、特異度85.8%、F1スコア0.725という結果でした。予測された確率と実際の結果の一致度を示すキャリブレーション曲線も良好で、モデルの誤差の指標であるBrierスコアは0.154(外部検証では0.175)と、いずれも精度の高さを裏づけるものでした。臨床的な有用性を評価する決定曲線分析(DCA)では、テストセットで20〜70%、外部検証セットで20〜80%というかなり広い確率のしきい値の範囲で、このモデルを使うことによる臨床上の利益が確認されています。
「何が結果を左右するか」を可視化する──SHAP分析
この研究の特徴は、最も精度の高かったXGBoostモデルに対してSHAP分析を適用し、それぞれの予測因子が生児出生の確率をどの程度、どの方向に動かしているかを可視化した点にあります。影響度の大きい順に、①これまでのFET施行回数、②移植した胚盤胞数、③移植した良好胚数、④AMH、⑤hCG投与日のE2値、⑥移植胚の種類、⑦年齢、⑧hCG投与日の子宮内膜厚、⑨不妊期間、⑩子宮内癒着の既往、という10項目が挙げられています。全体的な傾向としては、FET施行回数が多いほど、良好胚の移植数やAMHが低いほど、また年齢や不妊期間が長いほど、生児出生の確率は低下する方向に働いていました。
最も影響が大きかった「これまでのFET施行回数」は、それ自体を治療で変えることはできない要因です。しかし論文は、この情報を患者への説明や期待値の調整に活用できると位置づけています。実際、8,400件の単一胚移植周期を対象とした別の研究でも、体外受精を一度も受けたことがなく生児出生歴もない患者のほうが、複数回の体外受精を経て一子を得た患者よりも、その後の妊娠成績が良好であったことが報告されています。複数回の移植を繰り返している患者に対しては、背景にある要因をより丁寧に調べ、個別化した対応を検討する余地があるといえます。
患者一人ひとりへの説明にどう使うか
論文では、SHAPを用いた個別患者への説明の具体例も示されています。ある患者では、モデルが予測した生児出生の確率は29.3%で、全体の平均である41.6%を大きく下回っていました。その内訳を分解すると、過去2回のFET不成功(影響度-0.154)、胚盤胞ではなく初期胚を移植したこと(-0.0645)、AMHが2.04と低めであること(-0.0638)がマイナス方向に働いていた一方、良好胚を2個移植したことはプラス方向(+0.183)に寄与していました。こうした内訳を示すことで、変えられない要因(これまでの治療歴)と、今後の治療方針で調整しうる要因(胚の種類や子宮内膜の状態など)を切り分けて説明できる点に、臨床的な意義があるとされています。
日本の生殖医療現場にとっての意味
日本でも、FET後の生児出生率は依然として個々の患者の背景によって大きく異なり、治療を重ねるほど身体的・心理的な負担が積み重なっていくという課題は共通しています。今回のモデルがそのまま国内の診療に導入できるわけではありませんが、FET施行回数や胚の質、AMHといった、日常診療で日常的に把握している指標の組み合わせから、ある程度の確度で見通しを示せる可能性を示した点は注目に値します。特に、複数回の移植を経験している患者への説明や、移植する胚の選び方を検討する場面では、こうした予測の枠組みが判断材料の一つになり得ると考えられます。
研究の強みと限界
本研究の強みは、4,937例という規模の大きさに加え、後方視的コホートでの開発・内部検証にとどまらず、時期の異なる前方視的コホートによる外部検証まで行っている点、そしてSHAP分析によって個々の患者への説明可能性を高めている点にあります。
一方で限界も示されています。第一に、開発・検証ともに単一施設のデータに基づいており、地理的に異なる施設での独立した外部検証は行われていないため、他施設への一般化には注意が必要です。第二に、子宮内膜の遺伝子発現や腸内・膣内細菌叢の特徴、胚の形態動態パラメータといった新しい生物学的指標や、患者の生活習慣、食習慣、心理状態といった臨床的な要因は、今回の解析には含まれていません。これらは妊娠成績に関与しうる要因であり、モデルの予測精度に一定の影響を与えた可能性があるとされています。今後は、多施設共同の前方視的研究による検証と、より幅広い予測因子の組み込みが課題として挙げられています。
おわりに
今回の研究は、FETを受ける患者の生児出生を予測する解釈可能な機械学習モデルを構築し、内部・外部の双方で妥当性を確認したものです。XGBoostモデルは外部検証でもAUC 0.809という良好な精度を示し、SHAP分析によって、どの要因がどの程度予測に寄与しているかを個々の患者ごとに示せる仕組みが提供されました。これは、治療方針の検討や患者への説明に活用しうる材料となる一方、単一施設のデータに基づく研究である以上、その適用範囲には限界もあります。多施設でのさらなる検証を経て、臨床応用の妥当性が今後も検討されていく必要があるとされています。
参考文献
1. Luo S, Wang D. Development and validation of a machine learning-based model for predicting live birth outcomes in patients undergoing frozen-thawed embryo transfer. BMC Pregnancy Childbirth 2026 (in press). doi:10.1186/s12884-026-09610-3.