相关实验视频
Updated: Jul 1, 2026
07:57
Fish Sperm Assessment Using Software and Cooling Devices
Published on: July 28, 2018
8.7K
在诊所中测试深度学习模型的通用性和有效性:作为试点研究的试点研究,检测精子
Jiaqi Wang1, Yufei Jin1, Aojun Jiang2
1School of Science and Engineering, The Chinese University of Hong Kong, Shenzhen, China.
Reproductive biology and endocrinology : RB&E
|May 22, 2024
概括
使用多种成像数据训练深度学习模型可以提高它们在临床体外受精 (IVF) 中用于精子分析的概括性. 更丰富的数据集可以提高模型的精度和回忆力,确保在不同诊所和硬件中保持一致的性能.
科学领域:
- 生殖医学 生殖医学
- 医疗保健中的人工智能
- 计算机视觉 计算机视觉
背景情况:
- 深度学习 (DL) 模型越来越多地用于协助临床体外受精 (IVF).
- 精子,卵子和胚胎的准确视觉检测是关键的第一步.
- 临床特定硬件和协议的变化引发了对DL模型通用性的担忧.
研究的目的:
- 调查成像因素对物体检测模型通用性的影响.
- 用精子分析作为模型系统来试点这项调查.
- 确定如何提高临床试管婴儿应用的DL模型的稳定性.
主要方法:
- 在最先进的人类精子检测模型上进行了废除研究.
- 评估图像放大,模式和样本预处理对模型精度和回忆的影响.
- 通过内部和多中心临床测试,丰富了训练数据集,具有多种成像条件,并通过内部和多中心临床测试验证了性能.
主要成果:
- 删除特定的数据子集 (例如原始图像,20倍放大) 显著降低了模型的精度和回忆.
- 一个经过丰富训练的模型实现了高的精度 (0.97) 和回忆 (0.97) 的类内相关系数 (ICC).
- 多中心验证表明,在各诊所之间没有显著的绩效差异,证实了增强的概括性.
结论:
- 数据集的丰富性是临床环境中DL模型概括性的关键决定因素.
- 多样化的培训数据对于可靠的模型评估至关重要.
- 未来的DL模型在雄性病学和生殖医学需要全面的特征集跨临床适用性.
