男性不育精液分析中的机器学习：系统评价与未来方向

《International Journal of Medical Informatics》：Machine learning in semen analysis for male infertility: A systematic review and future directions

　　

# 基于人工智能和机器学习的精液分析系统综述：性能、临床应用与转化潜力

## 摘要

精确评估精液参数对于诊断和管理男性不育至关重要。然而，传统的手动方法耗时且存在较大的评估者间变异。尽管人工智能（AI）和机器学习（ML）提供了有前景的自动化解决方案，但其性能和临床转化的系统性综合仍十分有限。本系统综述评估了AI和ML方法在精液分析中的性能、临床应用及转化潜力。

遵循系统综述和荟萃分析首选报告条目（PRISMA）指南，系统检索了PubMed、Scopus和Web of Science数据库中2010年至2025年发表的、评估AI/ML方法用于男性不育精液分析的同行评审研究。提取了关于算法、数据集、评估指标和临床应用的数据。在所纳入的56项研究中，71%关注精子形态学，12.5%关注运动能力，8.9%关注浓度，7.1%涉及多参数精子评估。深度学习（DL），尤其是基于卷积神经网络（CNN）的模型，被71%的研究使用。精子形态分类模型经常达到超过90%的准确率。尽管报告了这些高准确率，但当前证据主要受限于小型、单中心数据集。现有证据表明，深度学习是自动化精子形态评估最成熟的AI方法，提高了精液分析的准确性、客观性和可重复性。然而，更广泛的临床应用仍受限于数据集多样性不足、评估方案不一致、外部验证不充分以及模型泛化能力差。未来研究应优先关注大型多中心数据集、前瞻性外部验证、标准化基准框架以及可解释的多模态AI模型，以促进稳健的临床转化并在生殖医学常规实践中实施。

## 引言

不育症是一个重大的全球生殖健康问题，影响着全球约15%的育龄夫妇。其定义为与同一伴侣进行规律无保护的性 intercourse 12个月或更长时期后仍无法怀孕 [1], [2]。尽管收入水平不同，全球患病率基本一致，在高收入国家为17.8%，在中低收入国家（LMICs）为16.5% [3]。超过1.86亿人经历不育，凸显了其作为全球公共卫生问题的重要性，并带来巨大的经济、心理社会后果和疾病负担。除了给夫妇带来显著的心理和社会压力外，不育症还给医疗保健系统带来了相当可观的经济负担 [4]。男性因素估计约占所有不育病例的50%，且这一比例近年来有所增加 [5]。然而，由于严重的漏报现象，男性不育的确切患病率仍然不明确，这一趋势在过去几十年中在全球范围内持续存在 [6]。尽管存在漏报，男性不育仍是一个严重的健康问题。研究表明，它可能预示当前或未来的男性健康状况，包括代谢性疾病、心血管疾病、自身免疫障碍、睾丸癌、生活质量下降，以及全因死亡率增加。然而，男性不育与这些健康问题之间的确切机制尚未完全阐明 [7], [8]。

男性不育日益增长的重要性也反映在研究趋势和公众意识上。在过去十年中，相关研究发表数量大幅增加。如图1所示，Google Trends数据显示，自2010年以来与男性不育相关的搜索兴趣持续上升，表明普通公众和研究人员都在越来越多地关注这一状况 [9]。这种日益增长的兴趣凸显了除传统精液分析外，对更有效、可扩展的诊断方案的迫切需求。

与此同时，人工智能（AI），尤其是机器学习（ML）和深度学习（DL），已成为临床医学中日益重要的方法 [10], [11]。这些方法能够分析大型且复杂的临床、影像和基因组数据集，并已被研究应用于诊断、疾病预测、临床决策支持和个性化治疗方案等领域 [12], [13], [14], [15], [16], [17]。它们在识别高维数据中复杂模式方面的能力也推动了医学影像和其他诊断领域中自动化方法的发展 [18], [19], [20], [21], [22], [23], [24], [25], [26], [27], [28], [29], [30]。

准确评估男性生殖功能对于诊断不育和指导适当的临床管理至关重要。精液分析仍然是主要的实验室评估手段，提供精子浓度、运动能力和形态学等信息，以及精液量、pH值、粘度和液化等宏观特征。然而，传统评估主要依赖手动操作，耗时且取决于操作者的专业知识，可能导致观察者间和实验室间变异。这些局限性推动了计算方法的发展，特别是AI和ML，用于自动化精子形态分类、运动能力分析以及精液质量预测，有望提高男性不育评估的客观性、标准化和效率 [31], [32], [33]。这些进展促成了本系统综述的开展，旨在弥合基于AI的精子分析的快速进展与其临床应用之间的差距。我们综合了当前的AI和ML方法，评估其方法学特征和临床应用，识别关键的研究缺口和转化障碍，并概述了具有临床相关性的AI系统的未来方向。本综述旨在为生殖科临床医生、胚胎学家、生物医学工程师和AI研究人员提供有用的见解。本工作的主要贡献总结如下。

### 系统文献综述

遵循系统综述和荟萃分析首选报告条目（PRISMA）2020声明，本研究识别并综合了56项将ML和DL方法应用于精子参数分析的合格研究，确保了该领域的全面性和方法学严谨性概述。

### 研究挑战和未来方向的识别

本综述识别了男性不育ML诊断向临床转化的主要障碍，包括数据稀缺、缺乏标准化和模型可解释性有限。提出了开发更具鲁棒性、泛化性和临床可部署性的解决方案的方向。

### AI模型的综合分析

本综述提供了对各种模型架构的结构化检查，包括经典方法，以及深度学习范式下的卷积神经网络（CNN）、残差网络和基于注意力的模型。评估了它们在精子参数分析任务中的性能。

### 基于AI的精子分析的临床应用框架

本综述涵盖了ML和DL在精子参数评估全谱系中的应用，包括精子形态分类、运动能力量化、浓度估计以及整体精液质量预测，提供了模型类型在不同诊断目标中表现的统一视图。

### 数据集和评估策略的批判性综合

本研究批判性地审查了所纳入研究报道的数据集、输入模态和评估指标，识别了限制可重复性并阻碍跨研究直接比较的不一致性。

## 章节摘要

### 男性不育：病因与症状

男性不育是一种异质性的临床状况，其特征是由一系列先天性和后天性因素导致生殖能力受损。遗传异常、内分泌障碍、解剖缺陷、环境暴露和生活方式相关因素可单独或协同破坏精子发生并损害精子功能。因此，精子产生、成熟或运输的改变可能损害受精潜力，并

### 现有综述研究

多项综述评估了AI和ML在男性不育中的使用，重点关注精液分析、精子选择和治疗预测。这些综述强调了计算模型如何利用激素、遗传学和影像学等多源数据集来提高诊断准确性、指导临床决策并增强辅助生殖技术。本节从范围、方法学、发现和局限性方面对这些综述进行审视，为后续研究提供基础。

### 研究策略

本系统综述旨在全面识别、评估和综合关于AI和ML在男性不育诊断中应用的相关文献。该综述按照PRISMA指南进行设计、实施和报告。研究的识别、筛选、合格性评估和纳入遵循PRISMA框架 [51]。采用结构化多阶段检索以确保方法学的稳健性，并

### 男性不育预测中的数据类型

开发鲁棒、泛化能力强且临床适用的AI模型用于男性不育精子参数分析，从根本上依赖于数据的可获得性、质量和多样性。该领域从不断增长的公共和私有共享数据集生态系统中显著受益，这些数据集涵盖了反映不育评估复杂性的多模态数据。如表3所述，这些多样化的模态范围包括从

### AI和ML方法在不育男性精子参数分析中的应用

本节系统性地综合了将AI和ML应用于精液参数评估的研究。本系统综述超越纯方法学分类，采用临床病因驱动框架，按照研究针对的具体精液异常进行分类，包括精子形态、精子运动能力、浓度以及这些参数的组合。

### 局限性与未来方向

尽管本综述记录了令人鼓舞的发现，但当前精子参数分析中ML研究的现状仍存在几个重要局限性，在计算工具能够有意义地整合到临床实践之前，必须清楚地了解这些局限性。

**数据集规模和质量。** 所综述研究的一个根本局限性是用于模型训练和验证的数据集规模相对较小。许多研究依赖的标注样本数少于1000个

### 研究发现与讨论

按照PRISMA方法学，最初跨多个科学数据库检索获得了2,257条记录。在去除重复项、排除非同行评审来源并应用预定义的合格标准后，保留了56项研究用于最终综述。最初检索涵盖科学数据库，包括PubMed、Scopus和Web of Science。PubMed贡献的记录数量最多（951项研究），其次是Scopus（693项研究）和Web of

### 结论

男性不育是生殖健康中一个常见且日益被认识的问题，它导致了近半数夫妇难以生育；这凸显了对更快、更准确、更少错误的方法来评估精子参数的日益增长的需求。本系统综述旨在综合和分析关于AI和ML在精子参数分析中评估男性不育的现有证据。遵循PRISMA框架，系统性地

---

## CRediT作者贡献声明

Zahra Asghari Varzaneh：撰写——审阅与编辑，撰写——初稿，可视化，验证，监督，方法学，调查研究，形式分析，数据管理，概念化。Reza Khoshkangini：撰写——审阅与编辑，方法学，调查研究。Ali Saeedi-Boroujeni：撰写——审阅与编辑，验证，方法学，调查研究。Hadi Kazemi-Arpanahi：撰写——审阅与编辑，可视化，验证，监督，资源，项目管理，方法学，伦理审批和同意参与。

## 伦理审批

阿巴丹医科大学伦理委员会提供了伦理编号IR.ABADANUMS.REC.1404.145。

## 生成式AI及AI辅助技术在稿件准备过程中的声明

在本工作准备过程中，作者使用了ChatGPT来润色手稿的文本。使用该工具/服务后，作者审阅并编辑了内容，并对发表文章的内容承担全部责任。

## 资金

本研究未获得任何资金支持。

## 利益冲突声明

作者声明不存在可能影响本文所述工作的已知的竞争性财务利益或个人关系。

## 致谢

我们诚挚感谢阿巴丹医科大学的工作人员为我们提供了全文文献用于本研究。

**Zahra Asghari Varzaneh | Reza Khoshkangini | Ali Saeedi-Boroujeni | Hadi Kazemi-Arpanahi**

瑞典 马尔默 隆德大学 转化医学院