目的:评估胚胎的发育潜能和筛选最佳的胚胎进行最终的子宫移植是辅助生殖技术中的关键步骤。临床操作中,胚胎学家通常是通过显微镜辅助下的胚胎形态学特征的目视检查以实现胚胎的质量评估和筛选。然而,由于胚胎形态学特征的复杂性以及观测者之间和观测者内部的巨大差异,胚胎质量的人工评估往往是主观且十分耗时。因此,我们旨在提出一种基于深度学习的胚胎形态学自动评估系统。研究方法:在本研究中我们提出了一种轻量级的形态学注意力学习网络（Morphology attention learning network,MA-Net）用于人类辅助生殖的自动辅助评级。该模型集成了一个形态学注意模块（Morphology attention module,MAM）来寻找信息丰富的特征通道以及特征位置信息,以及一个多尺度融合模块（Multiscale fusion module,MFM）用来增强特征信息在模型中的流动。我们将2016年9月至2018年12月期间来自2318对夫妻的3599张胚胎显微镜图像作为原始数据集,该数据被用来训练先前的深度卷积神经网络（Deep convolutional neural networks,DCNNs）和训练我们提出的MA-Net模型。此外,一个独立的测试集收集了2019年1月至2021年1月期间由321对夫妇产生的691张胚胎图像。该批数据被用来测试MA-Net在胚胎等级评估中的辅助诊断价值。我们邀请了五位经验丰富的胚胎学家在有无MA-Net辅助下对独立测试集进行等级评估,前后两次评估间隔三个月时间。结果:实验结果表明在4个已有的深度学习模型和MA-Net模型对比中,MA-Net在胚胎的4分类和3分类任务上分别取得了最高的AUC值96.88%和97.58%。这证明了MA-Net模型强大的胚胎质量评估能力。在独立测试集胚胎4分类和3分类评估任务上,MA-Net表现出良好的胚胎辨别力并分别超越了5名和4名胚胎学家,其AUC分别为94.30%和96.12%。这证明了MA-Net模型在胚胎等级评估中的健壮性和临床应用潜力。此外,在本研究提出的MA-Net模型的辅助下胚胎学家在胚胎4分类和3分类分级任务中AUC值分别提高了5.71%到5.322%不等,这表明我们提出的MA-Net在辅助生殖方面具有良好的胚胎辅助评估潜力。总结:基于深度学习的人类胚胎自动分级是评价胚胎发育潜能的有力手段。它可以为胚胎形态学特征的主观视觉检测提供更客观、更精确的参考值。