解决方案

　　每周五，捕精论坛不论风雨都与您如期相见。今天，我们相聚在一个特殊的日子。

　　今天是第112个国际护士节

国际护士节

致敬白衣天使，感谢你的无私奉献

白衣做甲，燕尾为冠

与时间赛跑，同病毒较量

护人民安康，守山河无恙

向冲锋在前，奋斗在一线的

所有的医护人员致敬

谢谢你们用生命守护生命

 

 

 

　　每周捕精论坛为您分享一篇辅助生殖领域的前沿研究，本周为您分享的研究主题是

　　用于男性生育力评估的活体单精子的同时

　　形态、运动性和碎片分析

 

介绍

　　不孕是一种常见疾病，大约六分之一的夫妇面临某种程度的不孕，不孕的定义是在1年内无法自然受孕。男性不育因素导致了大约一半的病例。体外受精(IVF)使许多原本无法怀孕的人成为可能。IVF能够通过女性体外的男性精子使女性卵子受精。精细胞的选择至关重要，尤其是卵胞浆内单精子注射(ICSI)，这是一种常见的IVF类型，临床医生使用微量移液器选择单个精细胞，并将其注入培养皿中的雌性卵细胞中。在女性激素治疗后，通过手术在每个IVF周期中获得约10个卵子，没有受精卵发育成高质量胚胎的情况并不少见。不幸的是，用于体外受精精子选择的精子细胞而不是卵子的分析工作投入得少得多。世界卫生组织(WHO)提供了基于精子样本成像的男性生殖能力评估标准。这些标准主要包括对精子形态、运动能力和DNA片段化状态的评价。虽然对在培养皿中游动的活精子细胞进行了能动性评估，但通常对固定和染色的精子细胞以及样品的不同部分进行内部形态学评估和DNA片段分析；因此，对不同的细胞进行不同的评估。某些精子可能具有WHO 2010-正常形态，但不具有能动性，或可能同时具有WHO 2010-正常形态和能动性，但DNA片段化，导致胚胎发育或分娩缺陷。目前的检测无法区分这些情况，导致不同临床医生进行的精子评估和选择缺乏一致性，且误差较大，即使在进行自动分析时也是如此。

　　深度卷积神经网络(CNNs)最近被证明是一种有效的图像分析工具分类。模型通常由连续的层构建而成，每个层都提供了前一层输出到后一层的非线性映射。近年来，生成对抗神经网络(GANs)已成功用于显微图像的虚拟染色。这些神经网络包括生成器模型和鉴别器模型，其中生成器获取随机噪声并将其映射到图像，并且鉴别器将图像分类为真实的或生成的。精子细胞的深度学习自动分类可能是下一个金标准。然而，仅使用定性2D图像作为输入，仍然难以获得可靠的自动精子分类器或虚拟染色。将精子运动、形态和内容物与受精潜力和正常妊娠联系起来的生物学机制尚未完全了解。在没有染色的情况下，精子在亮场显微镜下几乎是透明的，因为它们的光学性质与其周围的光学性质略有不同，从而导致图像对比度较弱。对精子进行成像而不进行染色时，可使用的一种内部对比机制是其折射率。相位成像基于光束与样本相互作用时诱发的光路延迟(OPD)，产生无斑点定量图像对比度，可通过干涉测量法进行记录。精子的常规相位对比成像方法，如Zernike相位对比显微镜、差分干涉对比(DIC)显微镜和Hoffman调制对比显微镜，不具备定量功能，因此无法根据精子的定量光学厚度来解释所得相位图像。此外，这些技术存在显著的成像伪影，尤其是在细胞边缘附近。定量相位成像记录了全样本复波前，包括细胞的光学厚度图，等于细胞厚度上折射率值的积分。该图与细胞干质量表面密度成比例，从而提供了临床医生尚未获得的细胞参数。直到最近，由于光学装置体积庞大、对准困难以及对机械振动的敏感性，定量相位成像实施仅限于光学实验室。近年来，我们做出了重大努力，并成功地使这些波前传感器可直接用于临床。

　　DNA片段化是精子细胞中一个重要的生物标志物。研究表明，即使在正常的精液样本中，20%的精子细胞DNA片段化，这种情况会随着年龄的增长而恶化。精子DNA断裂与受精率降低、胚胎质量降低、妊娠率降低和流产率增加有关。因此，不应选择DNA片段化的精子进行IVF。DNA断裂与形态和运动性不太相关，如果不染色，目前无法成像。检测DNA片段需要分子染色，在IVF期间无法进行。

　　在这项工作中，我们提出了一种在个体细胞水平上测量活的和未染色的动态精子细胞的DNA断裂状态的新方法，与测量细胞运动性和形态(就像它们已被染色一样)并行。这是通过使用临床就绪的干涉测量模块来采集动态精子并记录其定量相位轮廓，然后使用一种算法架构来实现的，该架构包括CNNs，用于对细胞进行虚拟染色，并根据其形态、运动性和DNA断裂状态对其进行分类。形态学、运动性和碎片的每个评分都映射到0到1之间的数字，其中0表示可能的最低质量，1表示可能的最高质量。然后将所有信息映射到每个单元格的3D散点图。

　　与以前使用机器学习寻找无染色亮场(低对比度)图像与DNA片段染色图像之间的相关性以及寻找运动性或形态学的尝试相反，这里，我们使用快速干涉成像，不仅提供振幅低对比度图像，还提供细胞的定量相图，包括归因于细胞DNA片段水平的内部细胞器对比度和内容相关的细胞纹理。由于相位轮廓是定量的，在所有单元点上具有有意义的和高度信息性的结构(形貌)和内容(折射率)相关值，所以与使用明场成像的先前方法相比，输入对中图像之间的间隙更小；因此，除了每个细胞的内部形态结构虚拟染色(这不可能通过亮场成像实现)之外，所提出的方法允许个体细胞DNA片段分类，从而基于三重广义评分(WHO形态学、能动性和DNA片段化)，实现更精确的生育力分级。

　　我们发现，通过所有三项标准的细胞数量不能通过分别通过每项标准的细胞数量来准确确定，这就需要采用与目前不同的生育力分级程序。

结果

　　图1显示了实现每位患者广义生育力评估的整体系统架构。对于在培养皿中成像的每一个动态精子细胞，所提出的技术能够同时获得完整的染色样形态学、DNA片段化和运动状态，而不需要化学染色。如图1所示，分析包括四个深层神经网络(DNNs)和最小二乘线性近似:DNN1进行形态虚拟染色，DNN2进行形态评分，DNN3通过形成DNA片段评分，DNN4进行DNA虚拟染色，能动性评分采用最小二乘线性近似。为了生成定量无染色成像数据，我们实施了一个临床准备全息装置，以获取细胞的无染色定量相图。该装置由一台倒置显微镜和一个定制的共光路紧凑型干涉测量模块组成，连接到显微镜摄像头端口。将采集的离轴干涉图处理为精子的光学厚度图，同时考虑到其物理厚度和折射率含量。如图1所示，这些图谱可以HEMA染色样的颜色可视化，从而区分不同的亚细胞结构。我们设计了一种定制的跟踪算法，并动态跟踪所有单元，从而得到每个单元的时空阵列。

图1。系统示意图和工作模式。用于在单细胞水平分析大量动态活精子的全精子形态、能动性和DNA片段化状态的体系结构，使用无染色定量成像和深度学习，得出更准确的供体生育力评分。

　　使用在用于精子形态和DNA片段化的完善的基于基础真值染色的标签上训练的网络，以及使用最小二乘线性近似的定量能动性分析，我们可以仅使用定量无染色成像数据获得每个活细胞和动态细胞的细胞内形态和相关参数、能动性参数以及DNA片段化状态。然后，我们将每个细胞映射到三维空间中的一个点，轴是形态学、能动性和碎片值，从而显示每个细胞的完整细胞状态，对于活细胞，不使用细胞染色。将3D空间中每个患者的组合细胞点描绘为球体，球体体积表示患者的广义生育力评分。无论对每个单个细胞进行三重评分，DNN1和DNN4均使用GAN模型进行虚拟染色，以实现可视化，这是对自动评分功能的补充。

　　使用该方案，我们对来自8个供体的5101个人的活精子细胞进行了定量成像，得到51809幅图像。每个供体测量的所有细胞的集合及其在三维散点图上的表示唯一地表征了捐赠者的生育状况。我们现在能够为每个细胞生成一个三重标准分数，而不是在样本的三个不同群体上测量三个不同标准，其中存在细胞通过一个标准而未通过一个或多个其他标准的风险。

01全形态评估和虚拟染色

　　如图1所示，各细胞的形态学评估包括细胞的虚拟染色、细胞形态特征的提取和最终细胞分类，如2010年世界卫生组织(WHO2010)对染色细胞的建议，但未使用化学染色且细胞未固定，而是在培养皿中动态游动。对于细胞虚拟染色和基于WHO2010的形态学评分任务，我们使用了DNN。图1中的第一个DNN，DNN1，对单个精子进行虚拟染色。它基于传统的GAN体系结构，旨在生成新的高质量图像。对于完全相同的精子，使用精子细胞及其化学染色对应物的无染色光学厚度图作为标记对DNN1进行训练。然后，经过训练的网络可以将无染色光学厚度图转换为虚拟染色图像，使其看起来像是化学染色，而没有实际染色，从而提供金标准评估所需的信息。在对数据顺序进行登记后，通过对经过培训的胚胎学家进行分类，对网络进行了测试，结果与化学染色获得的结果非常相似。在目前的研究中，首次对活的和高度动态的精子细胞进行虚拟染色，这与我们之前对固定精子细胞进行虚拟染色的研究形成对比。此外，利用经典图像处理技术分析细胞的光学厚度图，自动提取细胞核面积、顶体面积、总头面积、平均后前差、干质量以及量化细胞纹理的光学厚度值方差等6个形态学特征。根据Mirsky等人的研究，这六个特征被计算为延迟，并被用作DNN3的输入，用于DNA片段评分，并为临床医生提供进一步的定量形态学参数，这些参数尚未成为未来使用的标准。请注意，虚拟染色是作为胚胎学家的附加注释指南进行演示的，而不是作为用于形态学评分的DNN2或用于DNA片段评分的DNN3的输入或基本事实标签。

　　图1中的DNN2根据WHO2010形态学指南，包括5个标准:头部形状、顶体大小、空泡数量、中段形状和方向以及胞浆液滴。不管我们的实验检查所有细胞群体没有偏见，这些WHO2010精子形态学指南先前是通过检查性交后从人类女性宫颈分泌物中提取的精子制定的，其中假设到达那里的精子细胞具有更高的受精潜力。在我们的培训过程中，网络收到了细胞的光学厚度图以及以化学染色图像为基础的经过培训的胚胎学家的WHO2010真实分类作为标签。一旦训练了模型，网络就预测形态学得分，而不使用基于化学染色的标签。网络输出六个参数；每个细胞的五项WHO2010标准(头部形状、顶体大小、空泡数量、中段形状和方向以及胞浆液滴)以及第六个参数:根据胚胎学家的说法，直接整体预测细胞是否通过所有五项标准(独立于前五项输出)。此外，还计算了一个综合总体预测，用于检查模型是否预测前五个输出所呈现的所有五项资格“通过”，以与直接总体预测进行比较。图2显示了DNN2的架构，以及接收器工作特性曲线(ROC)和精准度召回率曲线(PRC)。该网络作为标准CNN构建，因为图像中提供了根据WHO2010指南进行细胞分类所需的全部信息。我们从非常少的层开始，慢慢增加层的数量，直到获得广义学习，如训练曲线和测试成功度量所指示的。5个资格的ROC曲线下面积(AUC)分别为95.7%、96.3%、100.0%、98.7%和86.7%。五项资格的PRC的AUC分别为93.6%、95.5%、100.0%、99.7%和97.4%。代表直接分类的直接总体参数得出的AUC(ROC)为96.2%，PRC为93.5%，精密度为90.9%，准确度为93.1%。AUC在此用作网络性能的指标。精确度有望成为成功精子分类的主要预测因素，因为一个人受精的潜力主要取决于他最好的细胞。这些细胞在自然受精中到达卵子，是唯一应该选择进行IVF的细胞。一旦对网络进行了训练和测试，它就可以对细胞进行分类，而无需经过训练的胚胎学家提供基本事实标签。直接的总输出被设定为所检测细胞的3D散点图中形态轴的坐标值。

　　图2。DNN1用于精子形态分类。a)预测每个无污点图像的形态特征的CNN架构。b)网络七个输出的ROC曲线。直接总分是对单元格是否通过所有五个标准的预测(独立于前五个输出)，并且综合总分指示前五个输出是否为正。c)网络七个输出的精度-召回曲线。c、回旋层；r，ReLU激活；MP，最大池层；FL，衰减层；FC，全连接层；Sig，sigmoid激活函数；o，输出。

02运动性评价

　　为了评估单个细胞的精子能动性，我们使用了从细胞跟踪算法中提取的时空阵列，由每帧中每个细胞的位置组成。图3显示了一个代表性细胞的轨迹。我们将轨迹划分为1秒钟的窗口，步长为半个窗口，因为在进行性运动细胞中线性游泳的资格仅在短时间间隔内被预期。其中一个窗口显示在图3的右侧。然后，我们计算了WHO2010建议的八个运动参数。其中包括曲线速度(VCL)、直线速度(VSL)、平均路径速度(VAP)、线性度(LIN)、摆动(WOB)、直线度(STR)、拍频(BCF)和平均角位移(MAD)。将每个细胞所有窗口内这些参数的中位值作为每个细胞的最终运动参数。对于每一个供体，另一个亚样本由经验丰富的胚胎学家根据质量保证的WHO2010方案进行检测，将每一个精子细胞分为三种运动性类别之一:静止的、非渐进运动的和渐进运动的。为了比较定性和定量运动试验，我们进行了两个比较实验。首先，我们计算了所有八名供体的定性和定量运动试验结果之间的相关性。为此，我们选择了四个与定性评估最相似的定量运动性参数(VCL、VSL、VAP和VSL×LIN)，导致了高度显著的相关性。其他参数的相关性很小或没有相关性。为了消除采样误差的影响，对包含87个精子的视频进行了处理通过我们的自动算法定量地和通过胚胎学家定性地。这增加了相关性(从0.49到0.75)及其统计显著性(p值从0.15至10—16)。然后，我们使用最小二乘方近似法定义了一个线性方程，将所有自动提取的定量运动性参数映射至上述三个定性类别，以确保我们的研究方案没有忽视先前获得的生育力评分。将线性方程的归一化函数值作为三维散点图中运动轴的坐标。

 

 

图3。运动特征的自动提取。精子追踪时间超过4.9 s的示例(左)，1秒节段的扩大和自动计算运动参数的示例(右)。

03DNA片段化评估和虚拟染色
 

　　女性患者使用GnRH激动剂(Superfact, Sanofi-Aventis, Frankfurt, Germany)治疗，使用长期方案或GnRH拮抗剂方案和重组FSH (Gonal F, Merk Serono, Darmstadt, Ger- many)。当两个或两个以上的卵泡直径达到18毫米时，给予10000 IU的hCG (Ovidrel, Merk Serono)。注射hCG 36小时后取卵。

04传统的ICSI

 

　　我们使用DNN3根据每个活精子的DNA片段化水平对其进行分级。与Barnea等人通过干涉测量法测量的大精子细胞群中的特定参数仅显示出统计学差异且存在群体重叠的情况相反，我们在此提供了一种不进行染色的单细胞DNA测量方法。为了进行训练，我们使用了成对的图像：细胞的无染色定量厚度图和相同细胞经吖啶橙染色后的图像，吖啶橙是一种DNA片段化指示剂，对双链DNA(未片段化)发出绿色荧光，对单链DNA或RNA(片段化)发出红色荧光作为标记，结果见图4。将自动提取的形态参数也插入DNN3，形成双峰神经网络。图4a展示了网络架构。ROC AUC和PRC AUC均高于0.98。经过训练和测试后，网络可以获取细胞的无染色定量光学厚度图，并输出细胞碎片水平，无需化学染色。DNN3采用双峰神经网络结构。除了化学染色的细胞图像标签之外，它还接收光学厚度图和基于该图计算的六个形态特征，因为发现这些特征与细胞的DNA片段化水平相关，实际上指导了网络。当在没有这六个特征的情况下进行训练时，我们得到的结果较差：准确率为0.90，ROC AUC为0.78，PRC AUC为0.98。

　　另一个DNN (DNN4)使用GAN结构生成几乎染色的DNA片段图像。它经过训练，能够对定量光学厚度图进行虚拟染色，从而形成吖啶橙染色对应图的外观。网络结构如图4b所示，其虚拟染色操作如图4c所示，产生的虚拟染色图像与中心所示的化学染色精子图像非常相似。请注意，此虚拟染色并未用于根据细胞的DNA片段状态对图5和图6中所示的细胞进行评分。该评分由DNN3完成。仅在那时，我们使用DNN4(其碎片分数来自DNN3)作为标记，对光学厚度图进行虚拟染色，并使其看起来像是细胞被吖啶橙化学染色，作为胚胎学家的一种可视工具。由经过培训的胚胎学家对DNN4虚拟染色结果进行验证。

　　图4。使用DNN3进行无染色DNA片段化分类，使用DNN4进行虚拟染色。a)双峰神经网络的结构，预测每个无污点光学厚度图的碎片水平。b)用于DNA片段化虚拟染色的GAN模型的体系结构，包括鉴别器网络(上图)和发生器网络(下图)。c)未染色光学厚度图(左)与实际化学染色细胞图像(中心)和生成的虚拟染色细胞图像(右)之间的比较。c、卷积层；r，ReLU激活；MP，最大池化层；Fl，衰减层；FC，全连接层；Sig，sigmoid激活函数；o，输出；AP，平均池化层；LR，改进的ReLU激活；RS，重采样层；CT，卷积转置层。

05患者生育力评分

　　为了评估患者的生育力，如上所述，对于活细胞和未染色的细胞，我们计算了每种精子的形态、能动性和DNA片段化，然后将细胞映射到3D空间中的单个点，轴代表这三个标准。我们的评估还包括每个细胞的虚拟形态学和吖啶橙染色。如图5所示，本技术能够收集关于精子细胞群的所有单个细胞三重标准信息。图5中的左栏显示了所得到的八个供体的3D散点图，同时显示了三个平面上每个细胞的二维投影以及该细胞在3D空间中的位置。图5中的右栏显示了三个标准的交叉点，左栏显示了维恩图，其中三个圆圈中的每一个都代表了一个特定的标准。包含的单元格数显示通过每一个标准，以及通过每一组两个标准和所有标准的细胞数量，其中通过阈值被设置为形态学0.5，活动性0.29，和碎片0.61。这个数字表明捐助者之间的差异很大。相对于其他标准，一些捐赠者有更多的细胞通过了碎片测试(供体2-5)，而其他供体具有更多通过运动试验的细胞(供体1，6-8)。一些供体具有更多的非破碎和形态完整的细胞(供体1-3、5、7)，而其他供体具有更多的形态完整和活动的细胞(供体4、6、8)。供体细胞总数的百分比因供体而异：供体5(图5e)有明显多于供体2的细胞(图5b)，然而供体2具有超过全部三个标准的三个精子细胞。可根据患者的具体需要调整阈值。

 　　图5。八名捐赠者单细胞水平的三重标准精子评估。(左)三维散点图，其中每个单元用红点表示，其在2D平面上的三个投影用蓝点表示。(右)供体的Venn图，其中列出了三项生育标准中的每一项及其交点(形态学高于阈值0.5，运动性高于阈值0.29，碎片高于阈值0.61)。a)捐助方1。b)捐助方2。捐助者3。d)捐助方4。e)捐助方5。f)捐助方6。g)捐助方7。h)捐助方8。

　　检查测试相关性是否一致在供体之间，我们检查了每个供体的标准之间的统计独立性。这是由提示通过每个标准的单元格的三个百分比将结果与通过全部三个的细胞百分比进行比较标准。例如，对于供体3(图5c)，细胞数量实际通过所有三个标准的细胞数是独立标准假设下预期细胞数的1.53倍，而对于供体4(图5d)，相同比例仅为0.95。这表明标准并不完全独立，因为在独立标准假设下，通过细胞的预期百分比不同于最终结果，而且供体之间的标准相关性也不同。

　　我们现在根据当前的实践定义生育评分，并根据提出的三重标准能力定义两个新的生育评分。由于无法在同一细胞上同时测量形态学、运动性和DNA片段，今天的生育能力评分是通过在样本的不同部分分别检查每个标准来进行的，并且假设样品是同质或重复检查以检查一致性。当前的生育力评估依赖于分别按照每一个标准对所测试的细胞进行平均化，从而得到三个不同的分数，但缺少标准之间的交集。为了确定当前实践分数，我们首先分别计算了每次生育力评估的平均结果(形态学、能动性和DNA片段化)，对每个供体的所有细胞取平均值。然后，我们对所有捐赠者的每项评估评分进行标准化，并找出结果的距离(x，y，z)从三维空间的原点指向。我们将P定义为3D空间中距原点的距离，其中每个维度对应于三个归一化坐标(形态学[x]、运动性[y]和DNA片段化[z])

　　其中是归一化形态值每个供体测量的所有N细胞的平均值，是每个供体测量的所有N个细胞的平均标准化运动性值，是每个供体测量的所有N个细胞的平均标准化DNA片段化值。该标准化总得分P代表通过当前实践获得的生育力得分，因为在样本同质性的基本假设下，对每个标准分别进行了平均。另一方面，基于所呈现的测量每个单元三重标准的独特能力，我们可以定义一个新的分数K，如下所示：

　　此参数获取每个单元格距原点的距离在标准化的三维空间中，并对每个供体的所有这些距离进行平均。

　　我们还将K1定义为每个供体中通过所有三个标准的细胞百分比，其中∧是逻辑“与”运算符。可以根据诊断目标选择通过每个标准所需的阈值。例如，在图5的情况下，定义如下：

　　这些新的评分K和K1取决于细胞在所有三个标准中的状况，而供体可能没有同时通过所有三个标准并仍具有高的先前生育力评分P的精子。

　　我们现在显示，这些新评分导致不同的供体分级，这意味着即使在同质样本假设下，今天仍会进行错误的供体分级。图6显示了八名捐赠者先前的生育力评分以及获得的新评分。在该图中，每个球体代表一个供体。球体中心距三维空间原点的距离代表当前实践中捐赠者的状态P，可视为下一个捐赠者编号的第一个值。另一方面，球体直径与捐赠者的第一个新生育力评分K相关，K可以在每个捐赠者球体旁边的第二行中看到。第二个新的分数，K1，可以在左侧第二行中每个供体球旁边看到。由此可见，捐赠者根据新旧评分进行的排名各不相同。例如，根据K评分，捐赠者3位于最后一位，因为该捐赠者的平均精子质量最低，尽管根据之前的生育力分级，捐赠者4将被标记为最差捐赠者，P。根据K评分，捐赠者1位于第四位，根据K1评分，他位于第五位，根据当前评分，他位于第六位，P。另一方面，两个最好的捐赠者，捐赠者7和6，在所有三个评分中是一致的，而对于K和P评分而言，供体5是第三好的供体，但对于K1评分而言则不是，这意味着新的评分在鉴别不孕情况时可能特别有用。

　　图6。捐赠者生育力评分。3D图，根据当前实践评分(括号中，在供体编号后)的生育力评分和建议评分K1 | K(基于在单个细胞水平上同时测量所有标准的能力)代表所有供体。每个供体与来源的距离与当前的生育力评分相关，而每个球体的大小与建议的评分相关。

结论

　　在这项工作中，我们提出了一种新的能力，以同时测量个体精子的形态，能动性和碎片，以及虚拟染色的精子细胞。如今，临床医生无法收集每个精子细胞的必要信息，相反，生育力检查提供了关于细胞群不同部分的每个评估的独立百分比，其中子样本之间可能发生统计变化。因此，目前没有关于多少细胞会通过两次或全部三次测试的信息。此外，执行形态学和DNA片段分析所需的苛刻固定和染色方案，如果未正确形成，可能会损害分析的可靠性，并在由不同实验室执行时产生不同的结果。我们的虚拟分类器解决了这些问题，因为它们不需要染色，并且在活的和动态的情况下对相同的细胞执行所有三种分析。我们表明，我们的虚拟分析与化学金标准相关联，当一起应用于每个细胞时，使我们能够在计算每个患者的正常和异常细胞时考虑标准品之间以前不可用的交集。我们表明，患者可能在不同测试的统计相关性上有所不同(图5)，因此总体独立评分较低的患者很可能有较高的细胞评分甚至更高百分比的合格精子细胞(图6)，强调了新方法的必要性和当前考试的不足。

　　这种方法有望通过调整阈值以满足当前需求，从而产生个性化的精子质量评估。在没有任何特殊需要的情况下，可能需要使用原始阈值，并获得类似于图5a所示的结果。然而，另一个人可能想提高破碎阈值，如图5b所示，以确保潜在精子捐献中的破碎细胞百分比较低。在另一种情况下，可以对这些阈值进行个性化设置，以选择用于受精的精子，并可能希望提高所有阈值，以选择最有希望的精子，从而创建类似于图5c中的散点图。其他情况可能会导致不同阈值的降低或增加，具体取决于正在接受评估的患者、他患有何种类型的不孕症以及进行评估的原因。

　　在此，我们证明了该方法在IVF前用于男性生育力评估的有效性。将来，集成一个可连接到目前临床使用的标准显微镜系统的便携式临床就绪干涉测量模块，以及我们在单细胞水平上的虚拟染色和分类三标准方法，可以在IVF期间实时实现计算机辅助精子选择，使临床医生能够选择最合格的精子用于卵子注射，具有最佳的形态、能动性和DNA片段分数。由于评分是自动的，而不是手动的，将来，该系统可能会与机器人选择器集成，独立选择受精概率最高的精子细胞。此外，整合这些系统将会产生先进的研究，将所选择的精子类型与受精和妊娠成功联系起来，并能够为患有生育问题的患者个性化药物。

　　总之，我们建议采用一种新方法，即利用无染色定量相位成像和深度学习，通过结合形态学、能动性和DNA片段化评分来改善男性生育力评估，从而使临床医生和研究人员能够在单个精子水平上获得以前无法获得的生育力评估。