DOI: https://doi.org/10.20998/2522-9052.2018.3.01

Застосування методів машинного навчання для вирішення задачі аналізу біологічних даних

Olena Akhiiezer, Olha Dunaievska, Iryna Serdiuk, Semen Spivak

Анотація


За статистикою, кожна п'ята подружня пара стикається з неможливістю зачаття дитини. Чоловічі статеві клітини дуже вразливі, зростаюче число випадків чоловічого безпліддя підтверджує, що в сучасному світі дуже багато чинників, які впливають і на активність сперматозоїдів і на їх кількість. Та важливою є  не стільки їх кількість, скільки якість. Спермограма є об'єктивним методом лабораторної діагностики, що дозволяє максимально точно оцінити здатність до запліднення чоловіка, проаналізувавши еякулят за рядом найважливіших параметрів. Тільки спермограма здатна відповісти на питання про можливе чоловіче безпліддя та про наявність урологічних захворювань. При побудові спермограми, важливо визначати не тільки кількість добрих сперматозоїдів, але й їх морфологію та рухливість. Тому дослідження та вдосконалення деяких етапів спермограми і є метою дослідження. У даній статті вирішується задача класифікації сперматозоїдів на добрі та погані, з урахуванням їх рухливості та морфології, із застосуванням методів машинного навчання. Для реалізації першого етапу машинного навчання (з вчителем) у графічному редакторі були створені навчальні екземпляри (тренувальна вибірка). Навчання було реалізована трьома методами: методом опорних векторів, логістична регресія та метод К – найближчих сусідів. За результатами тестування обрано  метод К – найближчих сусідів. На етапі тестування використовувалася вибірка з 15 різних сперматозоїдів в різних варіаціях обертання навколо своєї осі. Тестова вибірка не містила примірників з тренувальної вибірки і була сформована з урахуванням морфологічних особливостей сперматозоїдів, але не копіювала їх з тренувальної вибірки. На завершальному етапі навчання роботу програми було протестовано на реальних даних.

Ключові слова


машинне навчання; спермограма; морфологія; рухливість; розпізнавання образів; бінарна класифікація; метод К-найближчих сусідів

Повний текст:

PDF (English)

Посилання


Danilov, V.V. and Lelchuk, S.A. (2013), “Quantitative evaluation of spermograms in men based on interval scale”, Andrology and Genital Surgery, No.1, pp. 44–48.

Kruger, T.F., Acosta, A.A. and Simmons, K.F. (1987), “New method of evaluating sperm morphology with predictive value for human in vitro fertilization”, Urology, 30, pp. 248–251.

Kruger, T.F., Menkveld R and Stanger F.S.H. (1986), “Sperm morphologic features as a prognostic factor in in vitro fertilization”, Fertil Steril, 46, pp. 1118–1123.

World Health Organization, Department of Reproductive Health and Research (2010), WHO laboratory manual for the examination and processing of human semen, 5th edition, 234 p.

World Health Organization (2001), WHO guidelines on laboratory research of human ejaculate and interaction of spermatozoa with cervical mucus, 4th edition, Publishing house "MedPress", Moscow, 144 p.

Theodoridis, Sergios and Koutroumbas, Konstantinos (2009), Pattern Recognition, 4th Edition, Academic Press, 984 p.

Poreva A.S. and Karpliuk, Е.S. (2017), “Methods of machine learning for the study of lung sounds”, Biomedical instruments and systems, No. 22 (6), pp. 41–46.

Talarczyk-Desole, J., Berger, A., Taszarek-Hauke, G., Hauke, J., Pawelczyk, L. and Jedrzejczak P. (2017), “Manual vs. computer-assisted sperm analysis: can CASA replace manual assessment of human semen in clinical practice?”, Ginekologia Polska, No. 88 (2), pp. 56–60.

(2014), Systems M-AD. SCA - Sperm Class Analyzer v. 4.1, polish version, Microptic - Automatic Diagnostic Systems.




Copyright (c) 2020 Olena Akhiiezer, Olha Dunaievska, Iryna Serdiuk, Semen Spivak