Применение волоконно-оптических методов и искусственного интеллекта в диагностике эякулята мужчин с бесплодием в программах вспомогательных репродуктивных технологий


Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Доступ платный или только для подписчиков

Аннотация

Цель. Установить закономерности в спектре пропускания микроструктурных волноводов, заполненных выделенными сперматозоидами и семенной плазмой мужчин с различными нарушениями сперматогенеза, и построить на данной основе нейронную сеть, анализирующую спектральные характеристики спермы. Материалы и методы. Были проанализированы спектральные характеристики 345 образцов выделенных сперматозоидов и 209 образцов семенной плазмы с помощью фотонно-кристаллических волноводов в качестве оптических датчиков и построена искусственная нейронная сеть, точность предсказания которой составила 100%. Также было проведено анкетирование пациентов, эякулят которых включали в исследование. Основные параметры в анкете касались факторов, влияющих на сперматогенез. Результаты. Была создана нейронная сеть на основе многослойного перцептрона, которая оказалась эффективной при анализе спектральных характеристик семенной плазмы и фракции сперматозоидов. Созданная нейронная сеть эякулята позволяет с высочайшей точностью определять «норму» и «патологию». Использование искусственного интеллекта для анализа результатов анкетирования об образе жизни мужчин оказалось менее эффективной. Ставка правильных ответов составила 88% для тестового набора характеристик и 84% для контрольного набора. Тем не менее разработанная нейронная сеть может быть использована для предварительной оценки и прогнозирования профиля спермы по результатам анкетирования пациента. Заключение. Волоконно-оптические методы в диагностике эякулята являются перспективными и многообещающими. До сих пор остается нерешенным вопрос отсутствия как естественной беременности, так и в результате применения экстракорпорального оплодотворения при нормальных показателях спермы. Внедрение новых методов анализа семенной плазмы и сперматозоидов является актуальной задачей репродуктивной медицины; особенно интересно использование возможностей искусственного интеллекта для оценки фертильности как мужчин, так и женщин.

Полный текст

Доступ закрыт

Об авторах

Геннадий Тихонович Сухих

ФГБУ «Национальный медицинский исследовательский центр акушерства, гинекологии и перинатологии имени академика В.И. Кулакова» Министерства здравоохранения Российской Федерации

Email: g_sukhikh@oparina4.ru
д.м.н., профессор, академик РАН, директор

Юлия Сергеевна Скибина

ООО НПП «Наноструктурная технология стекла», Международный научно-образовательный центр «Структурная нанобиофотоника»

Email: director@nano-glass.ru
к.ф. -м.н., директор

Анастасия Андреевна Занишевская

ООО НПП «Наноструктурная технология стекла», Международный научно-образовательный центр «Структурная нанобиофотоника»

Email: zanishevskayaaa@nano-glass.ru
с.н.с., руководитель отдела перспективных исследований МНОЦ «Структурная нанобиофотоника»

Андрей Александрович Шувалов

ООО НПП «Наноструктурная технология стекла», Международный научно-образовательный центр «Структурная нанобиофотоника»

Email: zanishevskayaaa@nano-glass.ru
заместитель начальника НИО

Наталья Олеговна Янчук

ООО НПП «Наноструктурная технология стекла», Международный научно-образовательный центр «Структурная нанобиофотоника»

Email: info@nano-glass.ru
к.м.н., руководитель отделения сенсорных технологий, заместитель директора

Алексей Юрьевич Грязнов

ООО НПП «Наноструктурная технология стекла», Международный научно-образовательный центр «Структурная нанобиофотоника»

Email: info@nano-glass.ru
в.н.с., руководитель отделения «системы принятия решений»

Анастасия Павловна Сысоева

ФГБУ «Национальный медицинский исследовательский центр акушерства, гинекологии и перинатологии имени академика В.И. Кулакова» Министерства здравоохранения Российской Федерации

Email: a_sysoeva@oparina4.ru
эмбриолог отделения вспомогательных технологий в лечении бесплодия

Наталья Петровна Макарова

ФГБУ «Национальный медицинский исследовательский центр акушерства, гинекологии и перинатологии имени академика В.И. Кулакова» Министерства здравоохранения Российской Федерации

Email: np_makarova@oparina4.ru
д.б.н., в.н.с. отделения вспомогательных технологий в лечении бесплодия

Эльвира Зилявировна Валиахметова

ФГБУ «Национальный медицинский исследовательский центр акушерства, гинекологии и перинатологии имени академика В.И. Кулакова» Министерства здравоохранения Российской Федерации

Email: ibraeva1988@list.ru
аспирант отделения вспомогательных технологий в лечении бесплодия им. профессора Б.В. Леонова

Елена Анатольевна Калинина

ФГБУ «Национальный медицинский исследовательский центр акушерства, гинекологии и перинатологии имени академика В.И. Кулакова» Министерства здравоохранения Российской Федерации

Email: e_kalinina@oparina4.ru
д.м.н, профессор, заведующая отделением вспомогательных технологий в лечении бесплодия им. профессора Б.В. Леонова

Павел Андреевич Лепилин

ООО НПП «Наноструктурная технология стекла», Международный научно-образовательный центр «Структурная нанобиофотоника»

Email: info@nano-glass.ru
научный исследователь

Список литературы

  1. GBD 2017 Population and Fertility Collaborators. Population and fertility by age and sex for 195 countries and territories, 1950-2017: a systematic analysis for the Global Burden of Disease Study 2017. Lancet. 2018; 392(10159): 1995-2051. https://dx.doi.org/10.1016/S0140-6736(18)32278-5.
  2. Rumbold A.R., Sevoyan A., Oswald T.K., Fernandez R.C., Davies M.J., Moore V.M. Impact of male factor infertility on offspring health and development. Fertil. Steril. 2019; 111(6): 1047-53. https://dx.doi.org/10.1016/j.fertnstert.2019.05.006.
  3. WHO, UNEP. State of the science of endocrine disrupting chemicals 2012: an assessment of the state of the science of endocrine disruptors prepared by a group of experts for the United Nations Environment Program and World Health Organization. Geneva: WHO; 2013.
  4. Huang C., Li B., Xu K., Liu D., Hu J., Yang Y. et al. Decline in semen quality among 30,636 young Chinese men from 2001 to 2015. Fertil. Steril. 2017; 107(1): 83-8. e2. https://dx.doi.org/10.1016/j.fertnstert.2016.09.035.
  5. Ефремов Е.А., Касатонова Е.В., Мельник Я.И., Никушина АА. Почему не обновляются рекомендации по исследованию эякулята? Урология. 2019; 4: 148-54. [Efremov E.A., Kasatonova E.V., Melnik Ya.I., Nikushina A.A. Why are recommendations on the study of ejaculate not updated? Urology. 2019: 4: 148-54. (in Russian)]. https://dx.doi.org/10.18565/urology.2019A148-154.
  6. Yibre A.M., Koqer B. Semen quality predictive model using Feed Forwarded Neural Networktrained by Learning-Based Artificial Algae Algorithm. Engineering Science and Technology: An International Journal (JESTECH). 2021; 24(2): 310-8. https://dx.doi.org/10.1016/j.jestch.2020.09.001.
  7. Тучин В.В. Лазеры и волоконная оптика в биомедицинских исследованиях. 2-е изд. М.: ФИЗМАТЛИТ; 2010. 488 с. [Tuchin V.V. Lasers and fiber optics in biomedical research. 2nd ed., correct and additional. M.: FIZMATLIT; 2010. 488 p. (in Russian)]. ISBN 978-5-9221-1278-9.
  8. Badura A., Marzec-Wroblewska U., Kaminski P., Lakota P., Ludwikowski G., Szymanski M., Bucinski A. Prediction of semen quality using artificial neural network. J. Appl. Biomed. 2019; 17(5): 167-74. https://dx.doi.org/10.32725/jab.2019.015.
  9. Ma J., Zhen A., Guan S.U., Liu C., Huang X. Predicting seminal quality using back-propagation neural networks with optimal feature subsets. In: Advances in Brain Inspired Cognitive Systems: 9th International Conference, BICS 2018. Xi'an, China, July 7-8, 2018, Proceedings. 2018: 25-33. https://dx.doi.org/10.1007/978-3-030-00563-4_3.
  10. Малинин А.В., Скибина Ю.С., Тучин В.В., Чайников М.В., Белоглазов В.И., Силохин И.Ю., Занишевская А.А., Дубровский В.А., Долмашкин А.А. Применение фотонно-кристаллических волноводов с полой сердцевиной в качестве биологических сенсоров. Квантовая электроника. 2011; 41(4): 302-7.
  11. Zanishevskaya A.A., Malinin A.V., Tuchin V.V., Skibina Y.S., Silokhin I.Y. Photonic crystal waveguide biosensor. J. Innov. Opt. Health Sci. 2013; 6(2): 1350008. https://dx.doi.org/10.1142/S1793545813500089.
  12. Мюллер А., Гвидо С. Введение в машинное обучение с помощью Python. Руководство для специалистов по работе с данными. СПб.: Альфа-книга; 2017.
  13. Грибачев В. Настоящее и будущее нейронных сетей. Компоненты и технологии. 2006; 5: 146-50.
  14. Krizhevsky A., Sutskever I., Hinton G.E. Imagenet classification with deep convolutional neural networks. In: Bartlett P.L., Pereira F.C.N., Burges C.J.C., Bottou L., Weinberger K.Q., eds. Advances in Neural Information Processing Systems 25: 26th Annual Conference on Neural Information Processing Systems 2012. Proceedings of a meeting held, Lake Tahoe, Nevada, United States, 2012, 3-6 December. 2012: 1106-14.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML

© ООО «Бионика Медиа», 2021

Данный сайт использует cookie-файлы

Продолжая использовать наш сайт, вы даете согласие на обработку файлов cookie, которые обеспечивают правильную работу сайта.

О куки-файлах