Уважаемые коллеги, доброго времени суток! Представляем вам индийское научное издание Journal of Human Reproductive Sciences. Журнал имеет третий квартиль, издается в Wolters Kluwer Medknow Publications, находится в открытом доступе, его SJR за 2022 г. равен 0,41, печатный ISSN - 1998-4766, электронный - 0974-1208, предметная область Репродуктивная медицина. Вот так выглядит обложка:
Здесь два редактора - Али Мохаммад Шабзкхабае, контактные данные - sabzghaba@pharm.mui.ac.ir
и Ширинзадат Бадри - badri@pharm.mui.ac.ir.
Дополнительные публикационные контакты - editor@jhrsonline.org, info@jrpp.net.
В январе 2008 года под эгидой Индийского общества вспомогательной репродукции впервые вышел ежеквартальный международный рецензируемый Journal of Human Reproductive Sciences. Он освещает все аспекты репродукции человека, включая андрологию, искусственное зачатие, эндокринологию, физиологию и патологию, имплантацию, предимплантационную диагностику, предимплантационную генетическую диагностику, эмбриологию, а также этические, юридические и социальные вопросы. К публикации принимаются рецензируемые оригинальные исследовательские статьи, тематические отчеты, систематические обзоры, мета-анализ и дебаты.
Адрес издания - https://journals.lww.com/jhrs/pages/default.aspx
Пример статьи, название - Deep Learning-Based Robust Automated System for Predicting Human Sperm DNA Fragmentation Index. Заголовок (Abstract)
Background:
Determining the DNA fragmentation index (DFI) by the sperm chromatin dispersion (SCD) test involves manual counting of stained sperms with halo and no halo.
Aims:
The aim of this study is to build a robust artificial intelligence-based solution to predict the DFI.
Settings and Design:
This is a retrospective experimental study conducted in a secondary in vitro fertilisation setup.
Materials and Methods:
We obtained 24,415 images from 30 patients after the SCD test using a phase-contrast microscope. We classified the dataset into two, binary (halo/no halo) and multiclass (big/medium/small halo/degraded (DEG)/dust). Our approach consists of a training and prediction phase. The 30 patients' images were divided into training (24) and prediction (6) sets. A pre-processing method M was developed to automatically segment the images to detect sperm-like regions and was annotated by three embryologists.
Statistical Analysis Used:
To interpret the findings, the precision-recall curve and F1 score were utilised.
Results:
Binary and multiclass datasets containing 8887 and 15,528 cropped sperm image regions showed an accuracy of 80.15% versus 75.25%. A precision-recall curve was determined and the binary and multiclass datasets obtained an F1 score of 0.81 versus 0.72. A confusion matrix was applied for predicted and actuals for the multiclass approach where small halo and medium halo confusion were found to be highest.
Conclusion:
Our proposed machine learning model can standardise and aid in arriving at accurate results without using expensive software. It provides accurate information about healthy and DEG sperms in a given sample, thereby attaining better clinical outcomes. The binary approach performed better with our model than the multiclass approach. However, the multiclass approach can highlight the distribution of fragmented and non-fragmented sperms.
