本研究では，動画像から精子の良し悪しを推定する動画像認識モデルの構築を目指している．精子の評価には，精子の各部位の形状，動き，移動量などを正確に捉える必要がある．そこで，本稿では，種々の深層モデルが精子の画像及び動画から何をどのように捉えるのかを分析した．また，実応用の観点から，推論速度や精度に関しても，種々モデルにより比較した．さらに，これらの結果から，CNNモデルとTransformerモデルには，精子動画像において，捉え方・推論速度・精度の観点で違いがあることを明らかにした．今後はこれらの知見を踏まえて，精子の動画像に特化した動画像認識モデルを構築する予定である．