通过深层卷积神经网络评估精子运动,将其纳入世卫组织的类别

科学领域:

• 生殖生物学 生殖生物学
• 医学中的人工智能
• 医学诊断 医学诊断 医学诊断

背景情况:

• 手动精液分析精子运动是黄金标准,但需要广泛的训练才能准确.
• 深度卷积神经网络 (DCNNs) 擅长图像分类任务,显示了自动化精液分析的潜力.

研究的目的:

• 评估DCNN ResNet-50模型在根据世卫组织类别预测精子运动比例方面的性能.
• 将DCNN预测与参考实验室的手动评估进行比较.

主要方法:

• 两名DCNN模型 (3类和4类) 使用精液制剂的65个视频记录进行了训练.
• 采用十倍交叉验证,对外部质量评估数据的平均值进行模型训练.
• 使用平均绝对误差 (MAE) 和皮尔森相关系数来评估性能.

主要成果:

• DCNN模型实现的误差明显低于基线.
• 观察到DCNN预测和手动评估逐渐运动 (r=0.88) 和不运动的精子 (r=0.89) 之间存在很强的相关性.
• 对于快速渐进的运动性 (r=0.673) 发现了中等相关性,由于实验室间的差异而引起的变化.

结论:

• DCNN模型在预测精子运动类别方面表现出很高的准确性,可与实验室间变化或实验室间变化相比较.
• 人工智能方法为不孕症诊断中的精液分析提供了一种可靠且潜在更有效的方法.
• 手动评估的变化,特别是对于快速渐进的运动性,凸显了培训数据标准化的挑战.