Исследователи представили новый подход к автоматизированному анализу мужской фертильности, основанный на глубоком обучении с механизмом внимания. Проблема большинства существующих систем компьютерного зрения в медицине заключается в их «черном ящике» — высокой точности при отсутствии прозрачности принятия решений. Новый метод позволяет не только классифицировать морфологические аномалии сперматозоидов, но и визуально подсвечивать области, на основе которых модель сделала вывод, что критически важно для клинической диагностики.
В основе архитектуры лежит комбинация предобученной нейросети EfficientNet-B0 и модуля внимания Convolutional Block Attention Module (CBAM). Такой подход позволяет модели фокусироваться на наиболее значимых морфологических признаках, игнорируя фоновые шумы и артефакты изображения. Использование механизмов внимания повышает доверие врачей к результатам автоматического анализа, так как специалист может верифицировать логику работы алгоритма в режиме реального времени.
Внедрение подобных интерпретируемых систем способно значительно ускорить процесс диагностики мужского бесплодия и снизить нагрузку на лаборатории. Повышение прозрачности ИИ-решений является ключевым барьером для их интеграции в медицинскую практику, и данное исследование демонстрирует путь к преодолению этого разрыва через сочетание высокой точности классификации с наглядной визуализацией диагностических критериев.