El análisis de la AR se utiliza ampliamente para detectar la pérdida de acrosoma en los espermatozoides, pero las decisiones subjetivas de los expertos afectan la precisión del examen. Por lo tanto, desarrollamos un ARCS para la objetividad y consistencia del análisis utilizando redes neuronales convolucionales (CNN) entrenadas con imágenes de diversas ampliaciones. Nuestros modelos fueron entrenados con 215 imágenes microscópicas a 400x y 438 imágenes a 1000x de ampliación utilizando las arquitecturas ResNet 50 e Inception-ResNet v2. Estos modelos reconocieron de manera distintiva microcambios en la PM de los espermatozoides AR. Además, el ARCS basado en Inception-ResNet v2 logró una precisión media promedio de más del 97%. El cálculo del ratio de AR de nuestro sistema en el conjunto de datos de prueba produjo resultados similares al trabajo de los tres expertos y pudo hacerlo más rápidamente. Nuestro modelo simplifica la detección de espermatozoides y la determinación del estado de AR utilizando un enfoque basado en CNN, reemplazando tareas laboriosas y evaluaciones de expertos. El ARCS ofrece una detección consistente de espermatozoides AR, reduce el error humano y disminuye el tiempo de trabajo. En conclusión, nuestro estudio sugiere la viabilidad y los beneficios de utilizar un sistema de asistencia de inteligencia artificial para el diagnóstico de espermatozoides en escenarios de práctica rutinaria.