使用深度学习自动识别具有 zona pellucida 结合能力的人类精子.
Erica T Y Leung1, Xianghan Mei2, Brayden K M Lee1
1Department of Obstetrics and Gynaecology, School of Clinical Medicine, Li Ka Shing Faculty of Medicine, The University of Hong Kong, Hong Kong, China.
Human reproduction open
|June 9, 2025
概括
一个新的深度学习模型准确地识别了具有具有 zona pellucida (ZP) 结合能力的人类精子,独立于传统的精液分析. 这一突破有助于预测受精潜力,防止体外受精 (IVF) 失败.
科学领域:
- 生殖医学 生殖医学
- 医疗保健中的人工智能
- 精子形态分析 精子形态分析
背景情况:
- 传统的精液分析,包括世界卫生组织 (WHO) 的精子形态分级,在辅助生殖技术 (ART) 中对受精结果的预测能力有限.
- 手动精子评估是主观的,劳动密集型的,容易产生高的测试间/测试内变化,需要更客观,更准确的方法.
- 深度学习提供了自动图像分析的潜力,但使用WHO标准的先前算法在预测ART结果方面取得了有限的成功.
研究的目的:
- 开发和验证一种能够识别具有 zona pellucida (ZP) 结合能力的人类精子的深度学习算法.
- 要确定这个算法是否可以预测辅助生殖技术 (ART) 中的受精潜力,而不依赖于传统的精液分析.
- 建立一种基于受精能力的精子形态评估的新型客观标准,用于临床应用.
主要方法:
- 一个VGG13深度学习模型使用1083个Diff-Quik染色精子图像 (ZP-bound与ZP-unbound) 进行了微调,以根据形态特征对精子进行分类.
- 该模型的性能使用混矩阵 (精度,特异性,灵敏度,精度) 和接收器操作特征 (ROC) 曲线 (AUC) 来评估.
- 临床验证包括分析117名接受试管婴儿的男性的精子图像,将模型预测与受精率相关联,并将性能与传统精液分析进行比较.
主要成果:
- 微调的VGG13模型实现了高分类性能:96.7%的准确性,97.6%的灵敏性,96.0%的特异性和95.2%的精度在区分ZP结合的精子.
- 该模型表现出了出色的概括能力,在临床组预测的ZP结合百分比和实际的试管婴儿受精率之间存在强烈的相关性.
- 建立了4.9%的临床值ZP结合能力,该模型在识别患有IVF受精失败风险的患者方面超过了传统的精液分析.
结论:
- 一个新的深度学习模型可以准确地识别具有ZP结合能力的人类精子,比传统的精液分析提供更可靠的受精潜力的预测器.
- 这种人工智能驱动的方法可以识别高风险的夫妇意外的试管婴儿受精失败,使得及时干预的替代授精方法.
- 需要对不同图像质量和更大的样本大小进行进一步验证,以扩大这种先进诊断工具的临床适用性.


