本次介绍的论文提出了一种基于深度学习的自动识别系统，该系统不依赖于WHO精子形态分级标准，而是通过分析精子图像的形态特征来预测精子是否具有透明带（ZP）结合能力。这一创新方法不仅提高了精子评估的客观性和准确性，还为辅助生殖技术中的精子选择提供了一种新的、自动化的解决方案。尽管该系统在特定样本处理方法和染色协议下表现出色，但其泛化能力和临床应用范围仍有待进一步验证。Leung ETY, Mei X, Lee BKM, Lam KKW, Lee CL, Li RHW, Ng EHY, Yeung WSB, Yu L, Chiu PCN. Automatic identification of human spermatozoa with zona pellucida-binding capability using deep learning. Hum Reprod Open. 2025 May 10;2025(3):hoaf024. doi: 10.1093/hropen/hoaf024. PMID: 40487847; PMCID: PMC12145210.研究背景全球约15%的育龄夫妇面临不孕症问题，其中20%~70%由男性因素导致。体外受精（IVF）是辅助生殖技术中常用的方法之一，精子需要与卵子的透明带（ZP）结合才能启动受精过程。传统的精子形态评估方法依赖于显微镜下对单个精子的观察，基于世界卫生组织（WHO）的标准进行分级。然而，这种方法存在显著的主观性、劳动强度高以及评估者间差异大等问题，对受精结果的预测能力有限。近年来，深度学习作为一种自动化图像分析方法，在医学图像识别领域取得了显著进展，但其在精子形态分析中的应用仍处于探索阶段，且以往的研究大多依赖于基于WHO标准的手动标注数据集，对辅助生殖技术结果的预测能力有限。从染色图像中提取精子头部的图像处理过程研究方法本研究从婚前体检的男性中收集剩余精液样本，从不孕症诊所接受辅助生殖技术治疗的女性中获取未成熟或成熟的卵子。通过改良的精子-ZP共孵育实验收集与ZP结合的精子，从IVF失败且无ZP结合精子的样本中收集未结合ZP的精子。对收集的精子进行Diff-Quik染色，使用光学显微镜拍摄精子图像，并采用K-means聚类算法对精子头部分进行分割，裁剪为128×128像素大小的灰度图像。为了减少背景噪声和杂质的影响，使用CycleGAN模型对图像进行转换。基于VGG13卷积神经网络（CNN）架构，使用1083张Diff-Quik染色的ZP结合和未结合精子图像进行微调。模型包含10个卷积层，分为特征提取器和分类器两部分。通过交叉熵损失函数和随机梯度下降算法进行训练，使用混淆矩阵、ROC曲线下面积（AUC）等指标评估模型性能。微调后VGG13模型结构及性能研究结果VGG13模型在区分ZP结合和未结合精子方面表现出色，敏感性为97.6%，特异性为96.0%，准确率为96.7%，精确率为95.2%，AUC为0.992。模型在不同子集上的表现一致性高，平均准确率为97.4%，敏感性为96.0%，特异性为98.5%。对117名接受IVF治疗的男性患者的精子样本进行分析，根据IVF受精率分为低（0-40%）、中（41-70%）和高（71-100%）三组。模型预测的ZP结合能力与受精率呈强相关性，高受精率组的预测ZP结合精子百分比显著高于低受精率组。通过Youden指数确定了4.9%的临床阈值，用于区分正常和缺陷的ZP结合能力。在30名患者的配对比较中，模型预测值优于传统精液分析，能够识别出可能在传统IVF中失败的患者。模型的K-fold交叉验证研究创新点本研究首次开发出一种不依赖于WHO精子形态分级的深度学习模型，能够基于精子形态特征识别具有ZP结合能力的精子，为精子受精能力评估提供了新的方法。通过量化分析精子形态特征，系统输出与临床评估标准显示出一定相关性。该方法不仅提高了评估准确性，更重要的是可以弥补人工评估中难以避免的主观差异。此外，本研究还创新性地使用了CycleGAN模型对图像进行转换，以减少实验室样本和临床样本之间的微环境差异，提高了模型对不同图像质量的适应性和泛化能力。模型的可解释性分析研究局限性目前模型仅适用于高分辨率、空气干燥、Diff-Quik染色的精子样本，需要进一步研究以验证其在不同图像质量和更大样本量下的分类性能。尽管模型在当前数据集上表现出色，但在更广泛的临床应用中，可能需要进一步优化以提高其对不同样本处理方法和染色协议的适应性。此外，模型的临床应用价值仍需更多研究验证。A:预测的正常精子百分比与IVF后受精率之间的关联；B:确定用于临床预测的最佳阈值临床意义及展望本研究为精子评估标准化提供了新思路，未来应开展多中心前瞻性研究，验证模型预测与临床受精结果的相关性。结合其他精子功能检测方法，将进一步提升评估的准确性和全面性。该技术不仅可应用于精子评估，还可扩展至辅助生殖技术中的其他领域，如卵子质量评估、胚胎发育监测等，帮助提高不孕不育患者的治疗效果。未来，随着技术的不断进步，深度学习工具有望成为辅助生殖技术中的重要组成部分，推动精子选择和治疗方案的精准化。
