人工智能在精液分析与精子选择中的应用：机遇与挑战

《Andrology》：Artificial Intelligence in Semen Analysis and Sperm Selection: Opportunities and Challenges

　　

中文摘要翻译 背景：男性因素约占夫妻不孕症所有病例的一半，精液分析仍是诊断评估的基石。近年来，人工智能（AI）已成为提高辅助生殖技术（ART）中精液分析和精子选择客观性与可重复性的有前景工具。 材料与方法：本叙述性综述概述了AI在精液学中的当前应用，重点关注精子活力、形态学、DNA碎片化、用于胞浆内单精子注射（ICSI）的精子选择以及非梗阻性无精子症男性的精子获取。除实验室应用外，综述还强调了机器学习在预测生殖结局和支持男科学临床决策中的新兴作用。 结果与讨论：尽管现有证据令人鼓舞，但大多数研究仍受限于小型且高度选择性的数据集、缺乏外部验证以及关于临床有意义结局的证据不足。该领域的未来进展可能不仅取决于算法性能的提升，还取决于高质量、代表性数据集的可用性，以实现稳健验证和可靠的临床转化。虽然数据质量、算法偏倚以及监管和伦理方面的问题仍需解决，但AI有潜力成为生殖医学中有价值的决策支持工具。 结论：尽管如此，在这些技术能够常规整合到临床实践之前，仍需进一步的前瞻性多中心研究。

论文主体内容总结

1 引言

辅助生殖技术（ART）包括因不孕症而经常实施的医疗程序，如常规体外受精（IVF）和胞浆内单精子注射（ICSI）。在ICSI操作中，胚胎学家选择单个精子并直接注射到取回的卵母细胞中。因此，用于ICSI的精子选择是关键步骤，显著影响受精结局和后续胚胎发育。目前，胚胎学家依据世界卫生组织（WHO）制定的标准，在ICSI显微镜下依赖对精子形态和活力的视觉评估。然而，这种选择方法具有主观性，依赖操作者的定性评价而非客观的精子特征。研究表明，不同精液学家和胚胎学家对精子"良好"或"较差"的分类存在显著差异，这凸显了对更客观、无偏倚的精子选择方法的需求。

2 材料与方法

本叙述性综述总结了人工智能（AI）在精液分析和生殖医学中应用的现有文献。在PubMed、Scopus（Elsevier）、Google Scholar和ResearchGate中进行了文献检索，以识别截至2026年4月发表的相关研究。检索策略使用布尔运算符组合了以下关键词及其相关术语："artificial intelligence" OR "machine learning" OR "deep learning" AND "semen" OR "sperm" OR "sperm selection" OR "assisted reproduction" OR "azoospermia"。鉴于综述的叙述性性质，未遵循正式的系统综述方案。考虑了以英文发表的原创研究文章、临床研究和相关综述文章。

3 人工智能技术

AI起源于20世纪50年代，指旨在模拟或仿真人类能力（如推理、学习和复杂问题解决）的计算技术集合。机器学习（ML）兴起于20世纪80年代，其方法包括从数据和经验中学习而无需显式编程的算法。深度学习（DL）是ML的进一步演进，依赖能够直接从原始数据学习分层表示的多层人工神经网络。卷积神经网络（CNN）专为处理网格结构数据如图像而设计，能够自动检测从边缘、纹理到解剖结构或病理特征的日益复杂的视觉模式。生成式人工智能（GenAI）是最近的演进，能够生成与真实世界数据一致的新颖、逼真数据，包括生成对抗网络（GAN）和基于Transformer的生成模型。

在生殖医学领域，ML技术可增强精子活力、形态学和染色质完整性评估的准确性。DL通过CNN已显示出高效性，可分层学习精子形态和动力学特征。Mojo AISA和SiD等系统是DL驱动的自动化精子选择工具，有助于减少操作者间差异。GenAI虽在临床应用上仍探索不足，但开辟了新可能性，如生成合成数据以增强有限数据集。ML、DL和GenAI的协同整合标志着在ART中实现标准化、可靠和高效精子选择方案的重大进步。

4 用于ART的精子选择

4.1 精子活力

活力是ART中精子选择的重要参数。计算机辅助精液分析（CASA）系统是分析精子动力学最常用的方法之一，但2021年WHO手册仅将其纳入研究分析而非临床使用。CASA系统捕获精子头部的数字化图像，计算其位移、速度和轨迹，并评估线性度（LIN）等动力学参数。然而，该系统需由熟练的精液学家操作，且在高粘度、严重少精子症或存在大量圆形细胞、碎片和凝集时存在局限性。AI与计算机视觉的整合可检测精子活力模式的细微差异。Mojo AISA系统可同时执行多项分析并检测精子形态的细微异常，但难以评估低精子浓度样本。SiD（Sperm ID）系统结合计算机视觉和AI，计算每个精子的轨迹并量化前向活力、直线速度（VSL）和LIN等参数，生成"SiD评分"，该评分与受精成功和囊胚形成正相关。一项包含76例患者的研究比较了SiD辅助ICSI与胚胎学家选择精子的ICSI，结果显示两组实验室结局相似，ICSI-SiD组在受精率、卵裂率、第3天胚胎发育率和第5天囊胚发育率方面呈非显著性改善趋势。另有研究使用CNN对前向活力、非前向活力和不动精子进行分类，但多模态分析未改善评估性能。

4.2 精子形态学

形态学评估精子的形状、构型和大小，与受精成功和阳性妊娠结局相关。WHO标准将精子形态分类为"正常"或"典型"：光滑椭圆形头部、顶体覆盖头部40%–70%、薄中段以及不超过头部大小三分之一的胞质残留体。WHO标准已用于训练AI和DL算法，包括深度神经网络（DNN）和支撑向量机（SVM）。使用的数据集包括人类精子头部形态学（HuSHeM）数据集、SCIAN-Morpho数据集（包含1132张精子图像，分为正常和异常，异常头部进一步分为小头、锥形头、无定形头和梨形头四个亚类）以及改良人类精子头部形态学分析（MHSMA）数据集（含1540张精子顶体、头部、颈部、尾部和空泡图像）。研究开发了基于未染色精子图像的DL模型，可在400x至600x放大倍数下实时分析新鲜精液样本。一项研究引入DNN系统在不到1秒内实时分类精子顶体、头部和空泡。另一项研究采用深度多任务迁移学习（DMTL）方法，在单一预测过程中同时分类精子头部、空泡和顶体为正常或异常。此外，定量相位成像（QPI）结合DL已用于区分健康和应激精子，显示出85.5%的敏感性、94.7%的特异性和85.6%的准确性。

4.3 精子DNA碎片化（SDF）

染色质完整性是男性配子的二级分析，对不孕症的准确临床评估至关重要。SDF与生育力呈负相关，与植入失败、胚胎发育停滞、先天性畸形和流产风险增加相关。目前评估SDF的四种方法包括末端脱氧核苷酸转移酶dUTP标记（TUNEL）试验、彗星试验、精子染色质扩散（SCD）试验和精子染色质结构分析（SCSA）。这些方法在整体样本上评估SDF，不允许对处理过的样本实施ART。AI应用提供了克服这些局限性的潜在方案。一项研究使用ML分析单细胞水平上精子形态与DNA完整性之间的相关性，结合吖啶橙（AO）试验与SCSA的定量方面，创建带相应SDF评分的图像数据库，线性与非线性回归ML算法可根据形态参数预测每个精子的碎片化指数。另一项研究使用CNN基于SDF数据预测未染色单个细胞的质量，训练数据集包含1064张已知染色质碎片化值的单个精子图像，结果显示精子细胞图像与DNA完整性之间存在相关性。

5 AI的另一应用：无精子症患者的精子获取

无精子症是指精液样本离心后射精中缺乏精子，可分为梗阻性（OA）和非梗阻性（NOA）无精子症。NOA与原发性或继发性睾丸功能不全相关，包括支持细胞-only综合征（SCOS）、生精细胞成熟阻滞和生精功能低下等组织病理学模式。CNN用于睾丸样本中精子识别是有前景的应用。一项研究基于U-Net架构开发CNN，使用超过35,000个明场图像块训练，在NOA患者的三份microTESE活检样本中实现了稀有精子的高精度检测。另一项研究使用来自8名无精子症患者的图像开发CNN工具，生成超过10,000个标注精子实例的训练数据集，与传统胚胎学家评估相比显著减少了精子搜索时间并提高了召回率。ML也已应用于预测TESE前精子获取成功的可能性。早期模型使用相对较小的单中心队列，一项包含201例患者的研究比较了多种ML算法，确定随机森林为最佳性能模型。最近的大型多中心研究评估了超过500例患者，纳入既往TESE程序的组织病理学发现及临床和实验室变量，进一步提高了预测性能。然而，现有证据仍有限，多数研究在患者选择、AI方法、结局定义、手术技术和样本制备方面差异显著，且外部验证仍然稀缺。

6 讨论

AI有潜力显著改善ART，特别是在ICSI精子选择和胚胎选择方面。然而，AI在生殖医学中的应用仍处于发展阶段并存在若干局限性。主要局限之一是训练模型所需的大量数据，而由于医疗数据管理的隐私和治理问题，收集此类数据集具有挑战性。许多研究依赖来自健康供体和/或单一诊所的小型数据集，降低了数据变异性并削弱了预测能力。不同方法学方法和缺乏标准化可能损害AI系统中数据集的质量。另一个障碍是AI系统开发和验证的高成本，以及各国保险覆盖和财务资源的差异引发的伦理问题。尽管AI系统在精液分析和精子选择方面报告了有前景的结果，但多数研究聚焦于实验室结局，关于妊娠率和活产率等临床相关终点的证据仍有限。许多AI模型使用相对较小、单中心数据集或高度选择的人群开发，增加了选择偏倚和过拟合风险。监管和伦理问题包括数据隐私、AI算法的透明性和可解释性、AI辅助临床决策的责任以及遵守不断演变的监管要求。未来研究不仅应关注改进算法性能，还应使用标准化方法和临床有意义的结局在大型多中心队列中验证这些工具。该领域的真正挑战可能不在于开发更复杂的算法，而在于构建高质量、标准化和代表性的数据集，以实现稳健的外部验证和有意义的临床转化。AI在生殖医学中的目标不应是取代临床专业知识，而是通过提高一致性、减少操作者依赖性变异并将复杂多模态信息整合到常规实践中来支持决策。