基于机器学习算法预测男性精子生育力的分析与研究

介绍

临床数据的自动分析可能会开辟医学的新途径，尽管通常限于一种形式。然而，最近的趋势已经转移到包括来自其他方式，包括传感器数据和参与者数据数据。此外，在人工智能，特别是深度学习，进步，通过对众多使用情况及其可喜的成果成为医务人员的必备工具都表现出其潜在的。

男性生殖是获得更多的关注医疗领域中，由于一些研究表明在过去几十年中精液质量在全球下降以及地域差异。精液分析是不孕症研究的核心部分，但预测男性生育力的临床价值尚不确定。应根据WHO的建议进行标准的精液分析，其中包括评估精液量，精子浓度，总精子数量，精子活力，精子形态和精子活力的方法。精子活动力分为进行性，非进行性和不运动性精子的百分比。精子的形态根据头部缺损，颈部和中段缺损，主要部分（尾巴的主要部分）缺损以及染色的细胞制剂中过量的残留细胞质的存在进行分类。

来自人类精液样品显微视频的镜架，显示了几个精子（奥林巴斯CX31相衬显微镜带加热台，UEye UI-2210C相机，400倍放大率）

上图显示了从湿人精液样本视频中提取的帧的示例，世界卫生组织已根据可育男性的精液质量确定了各种精液参数的参考范围，这些男性伴侣的怀孕时间不超过12个月。但是，这些范围不能用于区分可育和不育男性。手动精液分析需要受过训练的实验室人员，即使按照WHO的指导原则进行，也可能容易出现实验室内和实验室间的高变异性。

开发精液分析自动系统的已经进行了数十年，在图像数字化使得使用计算机分析图像成为可能之后，在1980年代引入了CASA。通过使用CASA能够更快速，更客观地评估精子浓度和精子活动性，但是要获得准确且可重复的结果一直是一项挑战。

由于样品中的颗粒和精子以外的其他细胞，以及发生精子碰撞和交叉的精子轨迹，结果可能不可靠。分析从精浆分离并重悬于培养基中的精子时，可获得更好的结果。还开发了CASA用于评估精子的形态和精子中的DNA片段。

据称，新模型还可以评估活力，并且可以对精液样本进行一些功能测试。但是，评估需要特殊的染色或准备程序。尽管它的历史悠久，数字化仪的精子，不建议CASA临床使用的技术，但是，得到了改进，并且已经建议使用CASA精子计数和活力评估可以与分析方差比手工方法少一个有用的工具。

关于一般的自动精液分析，Urbano 等人提出了一种全自动的多精子跟踪算法，该算法可以同时跟踪数百个单个精子。此外，它还能够以最少的操作员干预测量随时间变化的运动参数。该方法通过将jpdaf的修改版本应用于微观精液记录而起作用，从而使它们可以在邻近和头部碰撞时追踪单个精子（这是现有CASA仪器的常见问题）。Urbano 团队的主要贡献是用于跟踪单个精子的改良jpdaf算法，但是仅通过对两个样本评估所提出的方法，很难确定该方法在更大人群中的推广性。

Dewan 团队提供了一种相似的方法，通过产生跨显微视频序列的细胞轨迹来跟踪精子。与CASA相似，对象建议是通过灰度边缘检测算法生成的，然后对其进行跟踪以生成对象轨迹。然后，使用CNN将这些轨迹分类为“精子”或“非精子”实体，其中“精子”实体用于估算运动性（渐进性，非渐进性和运动性）和浓度的三种质量度量每单位精液量的精子数量。结果似乎很有希望，但是由于该方法是在封闭的数据集上进行评估的，因此无法直接将该方法与其他方法进行比较。

尽管不是我们工作的重点，但精液质量的另一个基本属性是测量精液样本中存在的异常精子的数量，Ghasemian 团队试图通过将人类精子单独分为正常或异常组来检测异常精子，Shaker 团队做了类似的研究，通过将精子头的图像分成正方形斑块并将其用作基于字典的分类器的训练数据，来预测精子头是正常还是异常。一个共同的主题是，用于运动性和形态学评估的所有自动方法都集中于一种模式，而不将其他数据纳入分析。此外，评估是在相当有限或封闭的数据上进行的，这会阻碍结果的可重复性和可比性。

在提出的工作中，我们旨在通过以下三种方式为自动精液分析领域做出贡献：

（i）开发一种快速一致的自动分析精子活力的方法

（ii）探索结合多模式分析方法的潜力视频数据和参与者数据，以改善自动分析的结果

据我们所知，尚未进行过关于如何使用深度学习和多模式数据分析直接结合参与者/患者数据来分析精液记录以自动预测运动参数的研究。使用来自85位参与者的数据和三重交叉验证，我们观察到初步结果是有希望的。因此，基于机器学习的自动分析可能会成为未来男性不育研究的有价值的工具。