精液分析的机器学习评估可能会揭示与不孕症相关的新标记:试点研究
Daniele Santi1,2,3, Carlotta Pozza4, Giorgia Spaggiari2,5
1Department of Biomedical, Metabolic and Neural Sciences, University of Modena and Reggio Emilia, Modena, Italy.
The world journal of men's health
|January 9, 2026
概括
机器学习模型在评估用于男性不孕症诊断的精液分析方面表现有前途. 关键预测因素包括激素水平,丸体积和环境因素.
科学领域:
- 安德罗学与人类学
- 生殖医学 生殖医学
- 医疗保健中的机器学习
背景情况:
- 男性不孕症影响了大量寻求生育治疗的夫妇.
- 目前针对男性不孕症的诊断工作可能很复杂,并可能从先进的分析工具中受益.
- 精液分析是男性不孕症评估的基石,但其解释可能具有挑战性.
研究的目的:
- 试点应用机器学习模型用于精液分析评估.
- 评估机器学习在改善不育夫妇男性伴侣诊断过程中的潜力.
- 使用机器学习识别影响精液分析结果的关键变量.
主要方法:
- 使用来自意大利两个高等教育中心的真实世界数据进行的回顾性观察研究.
- 使用了两个不同的数据集 (UNIROMA和UNIMORE),其中包括精液分析,荷尔蒙,生化,超声波和环境污染数据的不同组合.
- 对每个数据集单独应用XGBoost机器学习分析.
主要成果:
- UNIROMA数据集 (n=2,334) 显示了高准确性 (AUC=0.987) 在预测精子症,用卵泡刺激激素,B抑制素和丸体积作为关键预测因素.
- UNIMORE数据集 (n=11,981) 显示了对精的良好预测准确性 (AUC=0.668),强调环境污染 (PM10,NO2) 和生物化学数据 (白细胞,红细胞) 是关键变量.
- 机器学习在两个数据集中有效地识别了有影响力的预测变量.
结论:
- 机器学习模型可以在男性不孕症的诊断工作中成为宝贵的工具.
- 精液分析结果似乎与丸超声波特征,生物化学标记物和环境污染有关.
- 这项试点研究支持对人工智能驱动的男性生殖健康评估方法的进一步调查.
