Исследование изучает использование машинного обучения для классификации статуса мужской фертильности на основе концентрации, подвижности и морфологии сперматозоидов с использованием набора данных VISEM из 85 участников.

  • Классификатор Nearest Centroid достиг точности 94.2%, превзойдя методы 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.
  • Набор данных классифицирует образцы на категории Фертильные, Субфертильные и Бессеменные в соответствии с критериями Всемирной организации здравоохранения.

Полученные результаты указывают на то, что модели машинного обучения могут обеспечивать быстрые, точные и объективные оценки качества спермы для поддержки клинических решений в андрологии.