經臨床觀察，大部分的著床失敗跟胚胎品質有關。除了做胚胎著床前染色體篩檢（PGS/PGT-A）之外，胚胎師們是怎樣判斷胚胎的好壞呢？胚胎師通過定時觀察胚胎的外形，以“形態學”（Morphology）來判定胚胎品質，作為預測胚胎著床率的依據，等級越高的胚胎有較高的著床成功率。

      自然受孕的情況下，卵子與精子在輸卵管結合成為受精卵之後，會一邊做分裂一邊移動到子宮腔，大概在受精後的第7天會在子宮內壁著床。在試管嬰兒療程中，胚胎師會分別在第1、3、5天觀察胚胎的發育狀態，依胚胎等級在D3和D5中選擇胚胎植入的時間點。(推薦文章：人工生殖會讓更年期提早報到？試管和自然受孕胎兒差異？進行不孕治療前，先破除這些謠言)

D3胚胎如何分級？

       【數字：細胞數目】+ 【第一個英文字母：細胞對稱性】+【第二個英文字母：細胞碎片比例】

      D3胚胎的等級中，數字為細胞（Blastomere）的數目，正常情況下胚胎會發育6-8個以上的細胞數量。

      第一個英文字母代表細胞對稱性，分為兩個等級：

• A級：細胞大小一致
• C級：細胞大小不一致

      第二個英文字母為細胞周圍的碎片（Fragment），有A、B、C和D四個等級：

• A：優質，沒有碎片或碎片佔比少於5%
• B：優良，碎片佔比10%-20%
• C：普通，碎片佔比20%-50%
• D：差，碎片佔比超過50%

      在早期胚胎發育過程中，常會在細胞分裂中產生細胞質碎片。這些細胞質碎片過多會影響到胚胎的發育，也可能代表胚胎染色體不正常。

D5胚胎如何分級？

      【第一個英文字母：內細胞團】+ 【第二個英文字母：滋養層細胞】

      第一個英文字母為內細胞團（ICM morphology）的分級：

• A：細胞數目多，排列緊密
• B：細胞數目較少，排列鬆散
• C：細胞數目稀少

      第二個英文字母為滋養層細胞 (TE morphology)的分級：

• A：細胞數目多，排列緊密
• B：細胞數目較少，排列鬆散
• C：細胞數目稀少

      品質越好的囊胚可以預期有更好的著床率，也表示胚胎發育形態越良好。茂盛醫院同時擁有另一套D5胚胎分級法，評分面向更多元更精密，確保胚胎師能更全面地預測胚胎著床率。

胚胎等級越高就會越好嗎？

      胚胎的等級越好確實可以有較高的胚胎植入成功率。根據一項研究，將胚胎依等級分為4組。

• 優質胚胎(AA)
• 良好胚胎(AB,BA)
• 一般胚胎(BB,AC,CA)
• 較差胚胎(其他等級)

      研究人員分別為胚胎做胚胎著床前染色體篩檢（PGS/PGT-A），得出以下結果：

      研究人員得出的結論為胚胎等級與胚胎染色體正常率有關，胚胎等級越好，染色體正常率也會越高。但，胚胎等級和染色體正常跟試管嬰兒成功率並不是絕對相關，若得出的胚胎等級不理想，還是可以跟主治醫師討論，畢竟每顆胚胎都是寶貴的。

到底該選D3還是D5？ 

      在之前的試管嬰兒療程中，因為子宮環境比培養箱的人工環境更適合胚胎發育，也有部分胚胎無法在體外培養到第5天的囊胚期，在第3天植入胚胎提高著床成功率。而在第5天植入胚胎，除了降低多胞胎和子宮外孕的機率外，也可以通過胚胎著床前染色體篩檢（PGS/PGT-A）或單一基因遺傳性疾病檢測（PGD/PGT-M）排除有染色體異常的胚胎。(推薦文章：生育要趁早，善用試管嬰兒補助，減輕負擔，及早圓夢！有心一「試」必知10問，快速掌握狀況)

      但，目前的人工生殖技術持續進步，茂盛醫院胚胎師會將受精卵放置在溫度和濕度穩定的培養箱裡，讓受精卵在模擬人體輸卵管和子宮的環境內發育成長，受精卵有更高機會在體外培養到第5天，讓試管嬰兒療程中的民眾和醫師，有更多的選擇空間。

AI電腦也可以輔助選胚胎

      胚胎等級是目前臨床上常見的胚胎評斷方式，而茂盛醫院生殖醫學中心持續在人工生殖技術上突破。茂盛醫院目前除了胚胎縮時攝影（Time-Lapse）之外，茂盛醫院使用35年的龐大數據搭配AI人工智能系統讓胚胎挑選變得更迅速且精確。

參考資料：

1. Kim MK, Park JK, Jeon Y, Choe SA, Lee HJ, Kim J, Chang EM, Kim JW, Lyu SW, Kim JY, Kwak IP, Lee WS, Yoon TK. Correlation between Morphologic Grading and Euploidy Rates of Blastocysts, and Clinical Outcomes in In Vitro Fertilization Preimplantation Genetic Screening. J Korean Med Sci. 2019 Jan 10;34(4):e27. doi: 10.3346/jkms.2019.34.e27. PMID: 30686949; PMCID: PMC6345636.
2. Lee CI, Su YR, Chen CH, Chang TA, Kuo EE, Zheng WL, Hsieh WT, Huang CC, Lee MS, Liu M. End-to-end deep learning for recognition of ploidy status using time-lapse videos. J Assist Reprod Genet. 2021 May 22. doi: 10.1007/s10815-021-02228-8. Epub ahead of print. PMID: 34021832.