論文の概要: Comparative Evaluation of Deep Learning-Based and WHO-Informed Approaches for Sperm Morphology Assessment

• arxiv url: http://arxiv.org/abs/2601.10070v1
• Date: Thu, 15 Jan 2026 04:51:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-16 19:43:18.99287
• Title: Comparative Evaluation of Deep Learning-Based and WHO-Informed Approaches for Sperm Morphology Assessment
• Title（参考訳）: 深層学習とWHOインフォームドアプローチによる精子形態評価の比較評価
• Authors: Mohammad Abbadi,
• Abstract要約: 精子の形態的品質の評価は、雄の肥育度評価の重要かつ主観的な要素である。 本研究では,画像に基づくディープラーニングモデル(HuSHeM)を評価するバイオメディカル人工知能フレームワークを提案する。 HuSHeMモデルは高分解能精子形態像で訓練され、独立した臨床コホートを用いて評価された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Assessment of sperm morphological quality remains a critical yet subjective component of male fertility evaluation, often limited by inter-observer variability and resource constraints. This study presents a comparative biomedical artificial intelligence framework evaluating an image-based deep learning model (HuSHeM) alongside a clinically grounded baseline derived from World Health Organization criteria augmented with the Systemic Inflammation Response Index (WHO(+SIRI)). The HuSHeM model was trained on high-resolution sperm morphology images and evaluated using an independent clinical cohort. Model performance was assessed using discrimination, calibration, and clinical utility analyses. The HuSHeM model demonstrated higher discriminative performance, as reflected by an increased area under the receiver operating characteristic curve with relatively narrow confidence intervals compared to WHO(+SIRI). Precision-recall analysis further indicated improved performance under class imbalance, with higher precision-recall area values across evaluated thresholds. Calibration analysis indicated closer agreement between predicted probabilities and observed outcomes for HuSHeM, while decision curve analysis suggested greater net clinical benefit across clinically relevant threshold probabilities. These findings suggest that image-based deep learning may offer improved predictive reliability and clinical utility compared with traditional rule-based and inflammation-augmented criteria. The proposed framework supports objective and reproducible assessment of sperm morphology and may serve as a decision-support tool within fertility screening and referral workflows. The proposed models are intended as decision-support or referral tools and are not designed to replace clinical judgment or laboratory assessment.
• Abstract（参考訳）: 精子の形態的品質の評価は、しばしばサーバ間変動と資源制約によって制限される、雄の肥育性評価の重要かつ主観的な要素である。 本研究は、WHO(+SIRI)で強化された世界保健機関基準に基づく臨床基盤ベースラインとともに、画像ベースディープラーニングモデル(HuSHeM)を評価するバイオメディカル人工知能フレームワークを提案する。 HuSHeMモデルは高分解能精子形態像に基づいて訓練され、独立した臨床コホートを用いて評価された。 モデル性能は, 判別, 校正, 臨床ユーティリティ分析を用いて評価した。 HSHeMモデルでは, WHO(+SIRI)と比較して比較的狭い信頼区間を有する受信機動作特性曲線下において, 高い識別性能を示した。 精度・リコール分析により,評価しきい値の精度・リコール面積が向上し,クラス不均衡下での性能が向上した。 キャリブレーション解析では,HuSHeMの予測確率と観察結果との相関が強く,判定曲線解析では臨床関連閾値の確率よりも高い純臨床効果が示唆された。 これらの結果から,画像に基づく深層学習は,従来のルールベースおよび炎症増強基準と比較して,予測信頼性と臨床的有用性の向上をもたらす可能性が示唆された。 提案フレームワークは精子形態の客観的および再現可能な評価をサポートし,受精スクリーニングおよびレファレンスワークフローにおける決定支援ツールとして機能する可能性がある。 提案したモデルは意思決定支援や参照ツールとして意図されており,臨床評価や臨床検査に取って代わるものではない。

関連論文リスト

• A systematic evaluation of uncertainty quantification techniques in deep learning: a case study in photoplethysmography signal analysis [1.6690512882610855]
  ディープラーニングモデルは、臨床外の生理的パラメータを継続的に監視するために使用することができる。 実践的な測定シナリオに配備された場合、パフォーマンスが悪くなるリスクがあり、負の患者結果につながる。 ここでは、2つの臨床関連予測タスクで訓練されたモデルに対して、8つの不確実性(UQ)技術を実装する。
  論文  参考訳（メタデータ） (2025-10-31T22:54:13Z)
• Secure Diagnostics: Adversarial Robustness Meets Clinical Interpretability [9.522045116604358]
  医用画像分類のためのディープニューラルネットワークは、臨床実践において一貫して一般化することができないことが多い。 本稿では, フラクチャー検出のために微調整された深部ニューラルネットワークの解釈可能性について, 対向攻撃に対するモデル性能の評価により検討する。
  論文  参考訳（メタデータ） (2025-04-07T20:26:02Z)
• Methodological Explainability Evaluation of an Interpretable Deep Learning Model for Post-Hepatectomy Liver Failure Prediction Incorporating Counterfactual Explanations and Layerwise Relevance Propagation: A Prospective In Silico Trial [13.171582596404313]
  術前PHLF予測のための可変オートエンコーダ-多層パーセプトロン (VAE-MLP) モデルを開発した。 このモデルは、その意思決定メカニズムに関する洞察を提供するために、カウンターファクトアルとレイヤワイズ関連伝播(LRP)を統合した。 サイリコ臨床試験の3トラックの結果、AIの説明が提供されると、臨床医の予測精度と信頼性が向上した。
  論文  参考訳（メタデータ） (2024-08-07T13:47:32Z)
• Uncertainty Quantification on Clinical Trial Outcome Prediction [37.25114005044208]
  本稿では,不確実性の定量化を臨床治験結果の予測に取り入れることを提案する。 私たちの主な目標は、ニュアンスドの違いを識別するモデルの能力を強化することです。 我々は目的を達成するために選択的な分類手法を採用した。
  論文  参考訳（メタデータ） (2024-01-07T13:48:05Z)
• Improving Robustness and Reliability in Medical Image Classification with Latent-Guided Diffusion and Nested-Ensembles [4.249986624493547]
  一度展開すると、医用画像解析法は予期せぬ画像の破損やノイズの摂動に直面することが多い。 LaDiNEは、視覚変換器のロバスト性と拡散に基づく生成モデルを組み合わせた、新しいアンサンブル学習手法である。 結核胸部X線とメラノーマ皮膚がんデータセットの実験により、LaDiNEは幅広い最先端の方法と比較して優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2023-10-24T15:53:07Z)
• TREEMENT: Interpretable Patient-Trial Matching via Personalized Dynamic Tree-Based Memory Network [54.332862955411656]
  臨床試験は薬物開発に不可欠であるが、しばしば高価で非効率な患者募集に苦しむ。 近年,患者と臨床試験を自動マッチングすることで患者採用を高速化する機械学習モデルが提案されている。 本稿では,TREement という名前の動的ツリーベースメモリネットワークモデルを導入する。
  論文  参考訳（メタデータ） (2023-07-19T12:35:09Z)
• Towards Reliable Medical Image Segmentation by Modeling Evidential Calibrated Uncertainty [57.023423137202485]
  医用画像のセグメンテーションの信頼性に関する懸念が臨床医の間で続いている。 本稿では,医療画像セグメンテーションネットワークにシームレスに統合可能な,実装が容易な基礎モデルであるDEviSを紹介する。 主観的論理理論を活用することで、医用画像分割の確率と不確実性を明示的にモデル化する。
  論文  参考訳（メタデータ） (2023-01-01T05:02:46Z)
• Causal Inference via Nonlinear Variable Decorrelation for Healthcare Applications [60.26261850082012]
  線形および非線形共振の両方を扱う可変デコリレーション正規化器を用いた新しい手法を提案する。 我々は、モデル解釈可能性を高めるために、元の特徴に基づくアソシエーションルールマイニングを用いた新しい表現として、アソシエーションルールを採用する。
  論文  参考訳（メタデータ） (2022-09-29T17:44:14Z)
• Benchmarking Heterogeneous Treatment Effect Models through the Lens of Interpretability [82.29775890542967]
  治療のパーソナライズされた効果を見積もるのは複雑だが、普及している問題である。 ヘテロジニアス処理効果推定に関する機械学習文献の最近の進歩は、洗練されたが不透明なツールの多くを生み出した。 我々は、ポストホックな特徴重要度法を用いて、モデルの予測に影響を及ぼす特徴を特定する。
  論文  参考訳（メタデータ） (2022-06-16T17:59:05Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。