基于级联面具区域卷积神经网络的深度学习模型的开发和验证,以非侵入性和准确地识别人类圆精子
Yujiao Sun1, Shihao Shao2, Jiangwei Huang1
1Institute of Genetics and Development Biology, Chinese Academy of Sciences, Beijing 100101, China.
Journal of advanced research
|April 4, 2025
概括
一个新的AI模型可以准确地识别人类圆精子 (hRSs) 没有毒性,克服了以前方法的局限性. 这一进步促进了人体圆精子注射 (ROSI) 技术,为患有精子生成问题的患者提供了希望.
科学领域:
- 生殖生物学 生殖生物学
- 人工智能在医学中的应用
- 细胞生物学 细胞生物学
背景情况:
- 识别人类圆精子 (hRSs) 对于人类圆精子注射 (ROSI) 技术至关重要,但仍然具有挑战性.
- 像霍希斯特染色这样的现有方法有毒,阻碍了临床应用.
- 流细胞计提供了准确的查,但由于毒性,不适合隔离.
研究的目的:
- 开发和验证一个深度学习模型,用于对hRSs进行非侵入性和准确的识别.
- 评估一个级联面具基于区域的卷积神经网络 (R-CNN) 的hRS识别能力.
- 评估模型在临床环境中的可靠性.
主要方法:
- 使用3457个光学显微镜图像对排序的hRSs进行深度学习模型的开发.
- 使用平均平均精度 (mAP) 验证模型的准确性和特异性.
- 进行双盲实验以确认可靠性并检测蛋白质胺 (PRM1) 和/或花生乳素 (PNA) 表达.
主要成果:
- 深度学习模型在测试数据集中实现了hRS隔离的平均平均精度 (mAP) 超过0.80.
- 所有通过AI模型非侵入性选择的细胞都在双盲测试中表达了PRM1和/或PNA.
- 该模型证明了对临床应用的稳定性和通用性,用于隔离hRSs.
结论:
- 基于级联R-CNN的深度学习AI模型可以准确地识别精子生成细胞中的hRSs.
- 这种非侵入性方法简化了临床实践,促进了ROSI技术的更广泛采用.
- 人工智能模型为患有精子发生性停止的患者提供了可行的解决方案,以实现生物父亲身份.
