《Animal Reproduction Science》：Artificial intelligence-based prediction of boar reproductive fitness and health: Current status in research and practice
编辑推荐：
人工智能与机器学习在种猪繁殖管理中的应用，通过图像分析和光谱技术预测精子质量，结合传感器数据实现非侵入性健康监测，提升繁殖效率和精准化管理水平。
作者：Britta Hensel、Sophie Henneberg、Sofia Marini、Markus Jung、Martin Schulze
研究机构：德国伯尔瑙D-16321，Bernauer Allee 10号，Sch?now农场动物繁殖研究所
摘要
人工智能（AI）和机器学习（ML）的发展正在通过提供客观、数据驱动的方法来改变公猪种群的繁殖管理，这些方法用于评估和预测精子质量。传统的精子质量分析耗时费力，有时具有主观性，并且其预测生育结果的能力有限。最近的研究表明，可以利用深度学习技术对成像数据（如基于图像的流式细胞术和计算机辅助精子分析（CASA）数据）进行有效分析。此外，基于拉曼光谱或近红外光谱的ML方法能够无创地预测精子在储存过程中的存活能力。AI在公猪种群的实验室和现场应用包括通过睾丸超声灰度分析预测未来精液的质量，以及用于跛行检测和精子运输监控的系统。这些应用扩展了预测范围，涵盖了公猪的繁殖适应性和健康状况。尽管数据标准化、模型可解释性和经济可行性仍然是关键挑战，但AI的潜在益处和应用领域非常广泛。在这篇综述中，我们总结了AI和ML在公猪繁殖适应性和健康方面的最新研究成果及其在研究和实践中的应用。
引言
人工授精是猪繁殖中的主要技术，在欧洲和北美超过90%的授精母猪中使用了液体制备的精子（Waberski等人，2019年）。精子质量影响繁殖计划的效果，因为它关系到受孕率和产仔数（Martín等人，2010年）。精子质量对养猪业的经济效益有显著影响。一头次生育能力的公猪可能会对数千次授精剂量产生负面影响。高淘汰率的一个主要原因是由于精子质量差而提前淘汰公猪（Henneberg等人，2023年）。计算机辅助精子分析（CASA）和手动显微镜分析是常规精子分析的基石方法（Hackerova等人，2025年）。尽管这些方法在常规生产中发挥了重要作用，但它们本质上耗时较长，容易受到操作者偏见的影响，并且依赖于合格人员的可用性。此外，传统的精子质量参数（如精子活力和形态）只能部分解释生育结果（Broekhuijse等人，2012年；Schulze和Waberski，2022年）。由于这些方法无法测量精子DNA完整性、顶体状态或耐受压力等特性，实际生育能力可能与实验室评估结果存在很大差异（Keller和Kerns，2022年）。因此，即使某些精液仍具有受精潜力，也可能出于预防目的而被丢弃。
最近，人工智能（AI）和机器学习（ML）被应用于包括动物繁殖在内的多个领域。这些技术提供了可以克服上述一些限制的工具。通过处理大规模、异构的数据集，AI方法能够揭示传统分析无法发现的模式。例如，基于图像的流式细胞术或CASA数据训练的卷积神经网络（CNN）在测量精子形态和顶体缺陷方面取得了高精度（Keller等人，2025年）。同样，应用于光谱或代谢组学数据的算法可以识别出储存潜力较低的精液。这有助于更高效地使用精子剂量（Kameni等人，2024年）。
现代公猪种群受益于大量被动数据的获取，但这些数据往往未得到充分利用。这些数据包括来自温度记录器、畜舍气候传感器、视频监控系统等技术的信息。表1对比了侵入性与非侵入性程序的差异及其实际影响。记录公猪运动（Arulmozhi等人，2021年）、睾丸灰度组成（Schulze等人，2020年）甚至精液运输环境（Schulze等人，2024年）的数据可以整合到预测模型中，从而将生育监测范围从个体公猪和精液扩展到整个猪群。许多方法仍处于研究阶段，或尚未被认可为应用领域。然而，一些方法已进展到转化或试点应用阶段，并正在公猪种群中作为决策支持工具进行探索。本综述总结了当前关于AI驱动的公猪精子质量和繁殖能力预测的研究进展。我们重点关注基于图像的深度学习、光谱技术、分子技术以及基于传感器的监测方法，并考虑了相关的环境和管理变量（表2）。此外，我们还将讨论这些方法如何提高精子分析的客观性和可靠性，从而支持繁殖管理决策并促进养猪业的遗传进步（图1）。
文献搜索与研究选择
本叙述性综述总结了关于AI和ML在评估公猪精子质量和繁殖性能方面的有影响力和代表性的研究。使用Web of Science和PubMed数据库进行了文献搜索。搜索词包括以下组合：“公猪精液”、“精子质量”、“生育能力”、“人工智能”、“机器学习”、“深度学习”、“预测模型”、“计算机辅助精子分析”、“光谱学”等。
人工智能与深度机器学习在精子质量评估中的应用
得益于成像技术的进步，AI现在可以协助进行精子分析（Kerns等人，2022年）。传统的显微镜和CASA系统会产生大量的图像和视频数据，但其解释仍受限于人类主观性或基于规则的算法（Sutkeviciene等人，2009年；Sevilla等人，2023年）。AI驱动的图像分析的一个明显优势是其一致性。虽然不同技术员和不同实验室之间的主观评估结果存在差异，但经过训练的AI模型可以提供一致的结果。
数字表型分析
利用AI预测公猪精子质量和生育能力超越了传统的实验室成像和光谱技术。最近，越来越多的研究致力于将传感器数据和管理因素整合到预测模型中（Schulze等人，2024年）。数字表型分析是一种新的、快速发展的方法，用于评估公猪的繁殖能力。它通过自动化AI分析动物的表型来改进选种过程。
公猪健康与环境因素
健康问题可能导致繁殖性能下降（Henneberg等人，2023年），因此应尽早识别这些问题，以便采取相应的对策。多项研究专注于利用机器视觉和图像处理技术基于AI识别猪的行为和外观的细微变化。这些变化可以作为健康问题的潜在指标，以及可能相关的生理变化。
挑战与未来方向
尽管取得了显著进展，但在猪繁殖中应用基于AI的精子分析仍面临许多科学、技术和实际障碍。原因在于当前限制与AI未来潜力之间的差距（见表3）。训练数据的质量和可用性是主要障碍。许多已发表的模型由于使用的小数据集而无法推广。
结论
利用AI评估公猪精子质量的方法正从概念验证阶段向转化和试点应用阶段发展，尽管大多数方法尚未在商业公猪种群中得到常规应用。虽然基于光谱学、蛋白质组学或代谢组学数据的ML模型提供了预测储存韧性和生育结果的新技术，但应用于成像数据的深度学习提供了对精子形状和顶体状态的高度准确的客观评估。
作者贡献声明
Britta Hensel：撰写初稿。
Sophie Henneberg：审阅和编辑。
Sofia Marini：数据可视化。
Markus Jung：资金筹集、资源协调、监督。
Martin Schulze：概念构思、资金筹集、资源协调、监督、审阅和编辑。
资金支持
本研究部分得到了德国勃兰登堡州农业、食品、环境与消费者保护部（MLEUV）的资助。
