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

Resumo Técnico: Predição da Fertilidade Masculina Utilizando Aprendizado de Máquina com o Conjunto de Dados VISEM

Definição do Problema
A infertilidade masculina afeta aproximadamente 17,5% da população adulta global, com fatores masculinos contribuindo para quase metade de todos os casos de infertilidade. O pilar clínico para a avaliação da saúde reprodutiva masculina é a análise de sêmen, que avalia a concentração, a motilidade e a morfologia dos espermatozoides de acordo com as diretrizes da Organização Mundial da Saúde (OMS). No entanto, a avaliação tradicional do sêmen depende da microscopia manual e da interpretação de especialistas, tornando o processo laborioso e suscetível ao viés do observador, à variabilidade interlaboratorial e a diagnósticos inconsistentes. Embora a inteligência artificial (IA) e o aprendizado de máquina (ML) tenham mostrado promessa na medicina reprodutiva, estudos anteriores concentraram-se amplamente na predição de parâmetros isolados (ex: motilidade como uma variável contínua) ou na realização de rastreamento baseado em imagens. Permanece uma lacuna na literatura quanto a frameworks sistemáticos que utilizem atributos seminais padronizados para categorizar o status de fertilidade em grupos clinicamente relevantes (Fértil, Subfértil e Infertil) utilizando aprendizado supervisionado.

Metodologia
Este estudo aborda a lacuna mencionada aplicando modelos de aprendizado de máquina supervisionado ao conjunto de dados VISEM, disponível publicamente, que contém registros de análise de sêmen de 8gens participantes masculinos. A metodologia seguiu um fluxo de trabalho estruturado:

1. Pré-processamento de Dados e Engenharia de Atributos: O conjunto de dados foi limpo para remover valores ausentes e espaços desnecessários. Atributos fundamentais foram extraídos e normalizados, incluindo concentração espermática, contagem total de espermatozoides, porcentagem de espermatozoides normais (derivada do Índice de Teratozoospermia), motilidade progressiva, motilidade não progressiva e porcentagem de espermatozoides imóveis.
2. Critérios de Classificação: As amostras foram rotuladas em três classes distintas com base nos limiares da OMS para motilidade progressiva, morfologia e concentração espermática:
   • Fértil (Rápido): Motilidade progressiva ≥40%, morfologia ≥4%, concentração ≥15 milhões/mL.
   • Subfértil (Médio): Motilidade progressiva 20–39%, morfologia 2–3%, concentração 10–14 milhões/mL.
   • Infértil (Lento): Motilidade progressiva <20%, morfologia <2%, concentração <10 milhões/mL.
3. Benchmarking de Modelos: O estudo utilizou o framework LazyPredict para automatizar o treinamento e a avaliação de mais de 40 algoritmos de aprendizado de máquina. Esta abordagem permitiu uma comparação rápida de modelos sem a necessidade de um ajuste extensivo de hiperparâmetros.
4. Métricas de Avaliação: O desempenho dos modelos foi avaliado por meio de validação cruzada de 5 dobras (5-fold cross-validation) para garantir a robustez. As métricas principais incluíram acurácia, F1-score, acurácia balanceada e análise da Área Sob a Curva de Característica de Operação do Receptor (ROC-AUC) utilizando uma abordagem um-contra-todos (one-vs-rest) para o problema de classificação multiclasse. A significância estatística foi testada através de testes t pareados.

Principais Contribuições

• Framework de Classificação Abrangente: Diferente de trabalhos anteriores focados na regressão de parâmetros isolados, este estudo implementa um sistema de classificação multiclasse que categoriza a fertilidade masculina em grupos Fértil, Subfértil e Infertil com base em uma combinação de limiares definidos pela OMS.
• Comparação Sistemática de Algoritmos: A pesquisa fornece uma avaliação de benchmark de mais de 40 classificadores de ML no conjunto de dados VISEM, identificando os algoritmos mais eficazes para esta tarefa clínica específica.
• Interpretabilidade e Análise de Correlação: O estudo inclui análises detalhadas de correlação e visualizações de atributos (gráficos de densidade, pair plots e heatmaps) para demonstrar as interdependências entre concentração, morfologia e motilidade espermática, reforçando a base biológica para a classificação.

Resultos
Os resultados experimentais demonstraram que os modelos de aprendizado de máquina podem distinguir efetivamente entre categorias de fertilidade com base em parâmetros seminais:

• Modelos de Melhor Desempenho: Entre os mais de 40 algoritmos testados, o classificador Nearest Centroid alcançou o maior desempenho com uma acurácia de 94,2%. Foi seguido de perto pelas Máquinas de Vetores de Suporte (SVM) e pela Análise Discriminante Quadrática (QDA), ambos atingindo acurácias em torno de 94%. O Gaussian Naive Bayes e o Random Forest também mostraram um forte desempenho, com o Gaussian Naive Bayes atingindo 91%.
• Validação de Robustez: O modelo Nearest Centroid foi validado através de validação cruzada de 5 dobras e análise ROC-AUC. O modelo alcançou as seguintes pontuações de AUC:
  • Classe Fértil: 0,95
  • Classe Subfértil: 1,00
  • Classe Infértil: 0,97
• Análise da Matriz de Confusão: O modelo alcançou classificação perfeita para os grupos Fértil e Infértil. A classificação incorreta ocorreu em apenas uma amostra dentro do grupo Subfértil (classificada incorretamente como Infértil), sugerindo alta confiabilidade na distinção de categorias extremas, enquanto destaca uma pequena sobreposição em casos limítrofes.
• Correlação de Atributos: A análise de correlação revelou uma correlação positiva moderada (0,50) entre a concentração espermática e a motilidade progressiva, e uma correlação positiva mais fraca (0,35) entre morfologia e motilidade. As visualizações confirmaram que a classe "Rápida" (Fértil) exibiu consistentemente valores medianos mais altos em todos os três parâmetros principais em comparação com as classes "Média" e "Lenta".

Significância e Alegações
O artigo postula que modelos de aprendizado de máquina, particularmente o classificador Nearest Centroid, podem fornecer avaliações rápidas, precisas e objetivas da qualidade do sêmen. O estudo afirma que estes achados ilustram o potencial do ML para apoiar a tomada de decisão clínica em andrologia e tecnologias de reprodução assistida (TRA) ao reduzir o erro humano e a variabilidade associados à análise manual.

Os autores enfatizam que este trabalho desloca o foco da predição de parâmetros isolados para uma classificação abrangente de parâmetros relevantes para a fertilidade, adequados para ambientes clínicos. Embora reconheçam limitações como o pequeno tamanho da amostra (85 participantes) e o potencial de sobreposição em casos limítrofes, o estudo conclui que ferramentas baseadas em dados podem aumentar a consistência dos diagnósticos de fertilidade. Os autores sugerem que trabalhos futuros possam integrar marcadores biológicos adicionais (ex: fragmentação de DNA, perfis hormonais) e explorar métodos de ensemble ou redes neurais para modelar interações não lineares complexas, contribuindo, em última análise, para estratégias de tratamento de fertilidade mais personalizadas.