Исследование использовало набор данных VISEM, включающий образцы спермы от 85 участников, классифицированных как фертильные, субфертильные или бесплодные, для оценки алгоритмов машинного обучения в прогнозировании статуса мужской фертильности на основе концентрации, подвижности и морфологии сперматозоидов.

  • Классификатор Nearest Centroid достиг точности 94,2%, превзойдя Support Vector Machines и Quadratic Discriminant Analysis среди более чем 40 протестированных алгоритмов.
  • Устойчивость модели была проверена с помощью 5-кратной перекрестной проверки (cross-validation) и анализа multiclass ROC-AUC.
  • Исследование демонстрирует, что машинное обучение может обеспечивать быстрые, точные и объективные оценки качества спермы для поддержки клинических решений в андрологии.