郭一璞发自凹非寺量子位报道|公众号QbitAI
自从AI火了之后，它的各种神奇应用就层出不穷。
现在，有人已经把AI用在男科♂诊断上，研究“小蝌蚪”。
没错，这是个正经研究，出自挪威奥斯陆城市大学，甚至还发了一篇NatureScienceReports。
解决的核心问题是，如何让AI来观察“小蝌蚪”，进而判断男性的生育能力。
研究者们对着一群“小蝌蚪”的视频研究了很久之后发现：
你们熟悉的卷积神经网络（CNN）简直是自动观察小蝌蚪的神器。
相比传统机器学习，CNN可以更有效的对男性小蝌蚪的运动能力进行分析，错误率低至9%左右，也就是准确率已经超过九成了。
因此，将来如果有准备当爸爸的盆友，去医院做检查的时候，盯着你的“儿子”看的，可能就不是医生，而是AI了。
小蝌蚪动不动，影响当爸爸的能力
在这项研究中，AI主要看的指标是小蝌蚪的运动状态。
先来科普一下，一个正常育龄男性能不能当爸爸，和他生殖系统的很多因素有关，单就基因的传递者小蝌蚪来说，它们的总数、形态、浓度等等因素都会影响男性的生育能力。
小蝌蚪的运动状态，也是其中一个重要指标。
比如，有高速运动（progressive）的小蝌蚪，跑起来飞快，可以直线跑，也可以绕大圆圈跑，非常健壮；
还有低速运动（non-progressive）的小蝌蚪，跑的不快，或者在原地兜圈子，不太健壮；
也有一动不动（immotile）的小蝌蚪，太不活跃，很难找到另一半来合成受精卵。
而一个小蝌蚪想把自己的基因传承下去，需要至少25微米/秒的运动能力，如果一位男士的小蝌蚪里能跑到这个速度的不到32%，那他可能就没那么容易当爸爸了。
因此，如果要诊断一位男士的生育能力，那就要去医院里检测他的精液样本。
而这项研究，就是用传统机器学习和深度学习的方法区分高速运动、低速运动和一动不动的小蝌蚪。
来自85个人的数据
那么，研究的第一步，要找个小蝌蚪数据集，于是……
他们找到了一个名叫VISEM的数据集。
这个数据集的作者找了85个人，这些人去实验室附近的小黑屋或者自己家里收集了一些精液样本，然后研究人员把这些样本放到显微镜下，录2~7分钟的视频，视频的帧率是每秒50帧。
除了视频，数据集里还有这85个人的年龄、体重指数（BMI）和禁欲天数三个指标。
先用机器学习算法
既然要比较传统机器学习算法和CNN哪个辨别小蝌蚪运动状态的能力强，那就先上传统机器学习。
第一步，要提取特征。
这里，研究者们用到了一个名叫LIRE（LuceneImageRetrieval）开源库，然后用超过40个不同的算法测试了超过30个不同的特征。
最终选定了Tamura特征，这组特征里包括小蝌蚪的粗细程度、对照、方向性、线条形状、规则度和粗糙度，并且分别用Tamura特征、数据集里85个人的数据和两者兼顾做了三组辨别三种不同活力小蝌蚪的实验。
综合三组实验的结果，有六个算法表现是最好的，他们是：简单线性回归，随机森林，高斯过程，序列最小优化（SMOreg），弹性网和随机树，识别的错误率大概在11%左右。
再用深度学习方法
试完了传统机器学习方法，再来试试深度学习，用CNN来辨别。
然后在用CNN来在这些处理后的数据上，再做一下那三组实验，分辨三种不同活力小蝌蚪的数量，这下要方便地多，可以一下子辨别出三个值，不用跑三遍算法了。
△处理过程
最后运行出来的结果，错误率大约在9%左右。
相比前面的11%，错误率明显降低，效果要好得多了。
所以，用深度学习辨别精子活力，不仅比传统机器学习的方法要好，而且可以只跑一遍算法，更快速便捷。
或许未来，深度学习可以应用到医疗实践中，成为诊断男性不育的利器。
传送门
论文：MachineLearning-BasedAnalysisofSpermVideosandParticipantDataforMaleFertilityPrediction作者：StevenA.Hicks,JorunnM.Andersen,OliwiaWitczak,VajiraThambawita,PllHalvorsen,HugoL.Hammer,TrineB.Haugen,MichaelA.Rieglerarxiv.org号码1910.13327