Predicting Male Fertility Using Machine Learning: A Semen Parameters Based Analysis with the VISEM Dataset

Riepilogo Tecnico: Predizione della Fertilità Maschile mediante Machine Learning con il Dataset VISEM

Definizione del Problema
L'infertilità maschile colpisce circa il 17,5% della popolazione adulta globale, con i fattori maschili che contribuiscono a quasi la metà di tutti i casi di infertilità. Il pilastro clinico per la valutazione della salute riproduttiva maschile è l'analisi del liquido seminale, che valuta la concentrazione, la motilità e la morfologia degli spermatozoi secondo le linee guida dell'Organizzazione Mondiale della Sanità (OMS). Tuttavia, la valutazione tradizionale del seme si basa sull'analisi microscopica manuale e sull'interpretazione di un esperto, rendendo il processo laborioso e suscettibile al bias dell'osservatore, alla variabilità inter-laboratorio e a diagnosi inconsistenti. Sebbene l'intelligenza artificiale (IA) e il machine learning (ML) abbiano mostrato promesse nella medicina riproduttiva, studi precedenti si sono concentrati ampiamente sulla predizione di parametri isolati (ad esempio, la motilità come variabile continua) o sull'esecuzione di tracciamenti basati su immagini. Rimane una lacuna nella letteratura riguardante framework sistematici che utilizzino attributi seminali standardizzati per categorizzare lo stato di fertilità in gruppi clinicamente rilevanti (Fertile, Sub-fertile e Infertile) utilizzando l'apprendimento supervisionato.

Metodologia
Questo studio affronta la suddetta lacuna applicando modelli di machine learning supervisionato al dataset VISEM, disponibile pubblicamente, che contiene i record dell'analisi del liquido seminale di 85 partecipanti maschi. La metodologia ha seguito un flusso di lavoro strutturato:

1. Pre-elaborazione dei Dati e Ingegneria delle Caratteristiche: Il dataset è stato pulito per rimuovere valori mancanti e spazi superflui. Le caratteristiche chiave sono state estratte e normalizzate, includendo la concentrazione spermatica, il numero totale di spermatozoi, la percentuale di spermatozoi normali (derivata dall'Indice di Teratozoospermia), la motilità progressiva, la motilità non progressiva e la percentuale di spermatozoi immotili.
2. Criteri di Classificazione: I campioni sono stati etichettati in tre classi distinte in base alle soglie OMS per motilità progressiva, morfologia e concentrazione spermatica:
   • Fertile (Fast): Motilità progressiva ≥40%, morfologia ≥4%, concentrazione ≥15 milioni/mL.
   • Sub-fertile (Average): Motilità progressiva 20–39%, morfologia 2–3%, concentrazione 10–14 milioni/mL.
   • Infertile (Slow): Motilità progressiva <20%, morfologia <2%, concentrazione <10 milioni/mL.
3. Benchmarking dei Modelli: Lo studio ha utilizzato il framework LazyPredict per automatizzare l'addestramento e la valutazione di oltre 40 algoritmi di machine learning. Questo approccio ha permesso un confronto rapido tra i modelli senza un esteso tuning degli iperparametri.
4. Metriche di Valutazione: Le prestazioni del modello sono state valutate tramite cross-validazione a 5 fold per garantire la robustezza. Le metriche chiave includevano accuratezza, F1-score, accuratezza bilanciata e analisi della curva Receiver Operating Characteristic - Area Under Curve (ROC-AUC) utilizzando un approccio one-vs-rest per il problema multiclasse. La significatività statistica è stata testata tramite t-test accoppiati.

Contributi Chiave

• Framework di Classificazione Comprensivo: A differenza dei lavori precedenti focalizzati sulla regressione di singoli parametri, questo studio implementa un sistema di classificazione multiclasse che categorizza la fertilità maschile in gruppi Fertile, Sub-fertile e Infertile sulla base di una combinazione di soglie definite dall'OMS.
• Confronto Sistematico degli Algoritmi: La ricerca fornisce una valutazione benchmark di oltre 40 classificatori ML sul dataset VISEM, identificando gli algoritmi più efficaci per questo specifico compito clinico.
• Interpretabilità e Analisi di Correlazione: Lo studio include analisi di correlazione dettagliate e visualizzazioni delle caratteristiche (grafici di densità, pair plot e heatmap) per dimostrare le interdipendenze tra concentrazione, morfologia e motilità spermatica, rinforzando la base biologica della classificazione.

Risultati
I risultati sperimentali hanno dimostrato che i modelli di machine learning possono distinguere efficacemente tra le categorie di fertilità basandosi sui parametri seminali:

• Modelli con le Prestazioni Migliori: Tra i più di 40 algoritmi testati, il classificatore Nearest Centroid ha ottenuto la prestazione più elevata con un'accuratezza del 94,2%. È stato seguito da vicino dalle Support Vector Machines (SVM) e dalla Quadratic Discriminant Analysis (QDA), che hanno entrambe raggiunto accuratezze intorno al 94%. Anche Gaussian Naive Bayes e Random Forest hanno mostrato una forte performance, con Gaussian Naive Bayes che ha raggiunto il 91%.
• Validazione della Robustezza: Il modello Nearest Centroid è stato validato attraverso la cross-validazione a 5 fold e l'analisi ROC-AUC. Il modello ha ottenuto i seguenti punteggi AUC:
  • Classe Fertile: 0,95
  • Classe Sub-fertile: 1,00
  • Classe Infertile: 0,97
• Analisi della Matrice di Confusione: Il modello ha ottenuto una classificazione perfetta per i gruppi Fertile e Infertile. La classificazione errata si è verificata in un solo campione all'interno del gruppo Sub-fertile (classificato erroneamente come Infertile), suggerendo un'alta affidabilità nel distinguere le categorie estreme, evidenziando al contempo una minore sovrapposizione nei casi limite.
• Correlazione delle Caratteristiche: L'analisi di correlazione ha rivelato una moderata correlazione positiva (0,50) tra concentrazione spermatica e motilità progressiva, e una più debole correlazione positiva (0,35) tra morfologia e motilità. Le visualizzazioni hanno confermato che la classe "Fast" (Fertile) ha costantemente mostrato valori mediani più elevati per tutti e tre i parametri chiave rispetto alle classi "Average" e "Slow".

Significatività e Rivendicazioni
Il documento sostiene che i modelli di machine learning, in particolare il classificatore Nearest Centroid, possono fornire valutazioni rapide, accurate e oggettive della qualità del liquido seminale. Lo studio afferma che questi risultati illustrano il potenziale del ML nel supportare il processo decisionale clinico in andrologia e nelle tecnologie di riproduzione assistita (ART), riducendo l'errore umano e la variabilità associati all'analisi manuale.

Gli autori sottolineano che questo lavoro sposta l'attenzione dalla predizione di parametri isolati alla classificazione completa di parametri rilevanti per la fertilità adatti agli ambienti clinici. Pur riconoscendo i limiti quali la piccola dimensione del campione (85 partecipanti) e la potenziale sovrapposizione nei casi limite, lo studio conclude che gli strumenti basati sui dati possono migliorare la coerenza delle diagnosi di fertilità. Gli autori suggeriscono che il lavoro futuro potrebbe integrare ulteriori marcatori biologici (ad esempio, frammentazione del DNA, profili ormonali) ed esplorare metodi ensemble o reti neurali per modellare complesse interazioni non lineari, contribuendo infine a strategie di trattamento della fertilità più personalizzate.