Towards Label-Free Single-Cell Phenotyping Using Multi-Task Learning

Resumen Técnico: Hacia la Fenotipificación de Células Únicas sin Marcadores Mediante Aprendizaje Multitarea

Enunciado del Problema
La caracterización precisa de los Glóbulos Blancos (WBCs) es crítica para diagnosticar la disregulación inmune, infecciones y malignidades hematológicas. Los flujos de trabajo convencionales dependen de la citometría de flujo basada en fluorescencia o frotis teñidos manualmente, los cuales adolecen de limitaciones que incluyen la necesidad de instrumentos especializados, etiquetado con fluoróforos, intensidad laboral y subjetividad. Si bien las modalidades ópticas sin marcadores, como la imagen por Contraste de Fase Diferencial (DPC), ofrecen una alternativa escalable y no invasiva, inferir fenotipos moleculares directamente a partir de la morfología en campo brillante sigue siendo un desafío. Los enfoques de aprendizaje profundo existentes tratan predominantemente el análisis de WBCs como un problema de clasificación discreta, pasando por alto el espectro continuo de los niveles de expresión de proteínas. Además, la naturaleza de "caja negra" de las redes neuronales profundas obstaculiza su adopción clínica al carecer de razonamiento biológico interpretable. Este trabajo aborda la dificultad de predecir tanto tipos celulares discretos como niveles continuos de expresión de proteínas directamente a partir de imágenes DPC sin marcadores de células individuales, una tarea complicada por señales morfológicas sutiles y escasamente distribuidas que se atenúan fácilmente mediante el agrupamiento convolutivo estándar.

Metodología
Los autores proponen un marco unificado de Aprendizaje Profundo (DL) que realiza conjuntamente la clasificación de WBCs y la regresión de expresión de proteínas continua a partir de imágenes DPC multicanal. La arquitectura consta de tres componentes principales:

1. Codificador Híbrido de Doble Rama: El modelo fusiona representaciones locales y globales para capturar señales morfológicas complementarias.

   • Rama CNN: Utiliza un tallo seguido de módulos al estilo Inception con conexiones residuales para extraer características de textura local de alta resolución (por ejemplo, contornos de membrana, textura nuclear, gránulos). Procesa la entrada en tokens espaciales.
   • Rama ViT: Emplea un Transformador de Visión (ViT) compacto para modelar dependencias espaciales globales mediante atención automática, capturando señales estructurales de largo alcance como la forma general de la célula o la polarización que los kernels convolucionales podrían pasar por alto.
   • Fusión Multimodal: Un mecanismo de fusión aprendible unifica las representaciones heterogéneas de las ramas CNN y ViT. Extrae características globales de ambas ramas, las proyecta a un espacio compartido y las combina utilizando pesos aprendibles normalizados por softmax para garantizar un análisis de contribución interpretable.

2. Mecanismo de Puerta Adaptativo a la Tarea: Para mitigar la transferencia negativa entre tareas con dinámicas de gradiente conflictivas, el marco emplea un mecanismo de puerta. Este módulo modula dinámicamente el intercambio de características entre las vías de clasificación y regresión. Genera puertas suaves mediante capas lineales activadas con sigmoide para determinar el equilibrio entre preservar características específicas de la tarea e incorporar información mixta de la otra tarea, permitiendo que el modelo aprenda dependencias inherentes (por ejemplo, la clasificación de células T correlacionada con la expresión de CD3) sin supervisión explícita.

3. Cabezas de Predicción Multitarea: La representación fusionada compartida se refina mediante vías específicas de la tarea (MLP con conexiones residuales, normalización por lotes y dropout) antes de ser pasada a cabezas separadas:

   • Una cabeza de clasificación emite probabilidades de clase de WBC utilizando un MLP de tres capas con dropout alto (0.4) para regularización.
   • Una cabeza de regresión emite valores continuos para cuatro marcadores de proteínas (CD45, CD3, CD19, CD14) sin una función de activación final para permitir predicciones continuas ilimitadas.

4. Interpretabilidad Guiada por LLM: Para aumentar la transparencia, se integra un Modelo de Lenguaje Grande (Gemini 1.5 Pro) a posteriori. Convierte las predicciones cuantitativas en resúmenes textuales concisos y fundamentados biológicamente. La generación se restringe mediante indicaciones basadas en plantillas para prevenir alucinaciones, asegurando que las salidas sean estrictamente fácticas y derivadas únicamente de las predicciones del modelo.

Función de Pérdida
El modelo se entrena utilizando un objetivo multitarea ponderado:

• Pérdida de Clasificación ($L_{cls}$): Pérdida focal con pesos de clase para manejar el desequilibrio y suprimir muestras bien clasificadas.
• Pérdida de Regresión ($L_{reg}$): Una combinación de pérdida Smooth L1 (para estabilidad frente a valores atípicos) y un término de alineación de correlación de Pearson (para preservar el orden relativo de las intensidades de los marcadores).
• Pérdida Auxiliar ($L_{aux}$): Regulariza las representaciones fusionadas intermedias para imponer consistencia a nivel de características entre las vías compartidas y específicas de la tarea.

Resultados Experimentales
El marco se evaluó en el conjunto de datos de Microscopía Computacional de Células Únicas de Berkeley (BSCCM) y en el conjunto de datos de Imágenes de Células Sanguíneas (BCCD).

• Rendimiento de Clasificación: En la división de prueba de BSCCM, el modelo propuesto logró una precisión del 91.3%, superando a líneas base sólidas que incluyen VGG (88.3%), AttentionCNN (89.6%) y ResNet (86.2%). En el conjunto de datos BCCD (campo brillante convencional), logró un puntaje F1 macro-promediado de 0.933, demostrando una generalización exitosa.
• Rendimiento de Regresión: Para la regresión de expresión de proteínas en BSCCM, el modelo logró una correlación de Pearson de 0.7263, con un RMSE de 0.6801 y un MAE de 0.4416. Esto superó a todas las líneas base de tarea única y esqueleto único (por ejemplo, DenseNet logró r=0.7246).
• Análisis por Marcador: El rendimiento varió según el marcador. Los marcadores específicos de linaje con fuertes correlatos morfológicos (por ejemplo, CD16, r=0.819; CD45, r=0.799) se predijeron con alta precisión. Por el contrario, los marcadores que reflejan estados de activación transitorios (por ejemplo, CD123/HLA-DR/CD14) mostraron una correlación más baja (r=0.339), lo que indica que la morfología sin marcadores no puede reemplazar completamente los ensayos moleculares para estados funcionales dinámicos.
• Estudios de Ablación: Eliminar la rama ViT redujo la precisión en un 1.58% y la correlación de regresión en 0.0335. Eliminar la rama CNN causó una degradación mayor, confirmando la necesidad de la extracción de textura local. Las variantes de tarea única rindieron peor que el modelo multitarea, validando que la optimización conjunta actúa como regularizador y afina las representaciones de características.

Contribuciones Clave

1. Marco Unificado Multitarea: Un enfoque novedoso que predice conjuntamente la clase de WBC y los niveles de expresión de proteínas a partir de imágenes DPC sin marcadores, eliminando la necesidad de tinción química.
2. Arquitectura Híbrida: Un codificador de doble rama que combina características de textura convolutiva multiescala con representaciones globales basadas en transformadores mediante una capa de fusión aprendible.
3. Puerta Adaptativa a la Tarea: Un mecanismo que equilibra la información compartida y específica de la tarea, mejorando tanto la precisión de clasificación como la de regresión mediante la gestión de las dinámicas de gradiente.
4. Integración de Interpretabilidad: La incorporación de un módulo LLM restringido para generar resúmenes fundamentados biológicamente, avanzando la transparencia del modelo más allá de la visualización estándar de atención.

Significado y Afirmaciones
El artículo afirma ser uno de los primeros trabajos en realizar conjuntamente la regresión de la expresión de proteínas a nivel de marcador y la clasificación del fenotipo de WBC a partir de microscopía DPC sin marcadores. Los resultados subrayan la promesa de la imagen de células únicas sin marcadores para el perfilado hematológico rentable, permitiendo la identificación simultánea de fenotipos y la estimación cuantitativa de biomarcadores sin tinción fluorescente. Los autores afirman que su enfoque demuestra la viabilidad de recuperar fenotipos funcionales a partir de morfología sin teñir. Sin embargo, señalan modestamente limitaciones: el modelo se acerca a un techo de rendimiento para tipos celulares con alta ambigüedad morfológica (por ejemplo, monocitos vs. linfocitos), y no puede reemplazar completamente los ensayos moleculares para predecir estados de activación dinámicos que carecen de firmas morfológicas estables. El trabajo destaca el potencial de emparejar la predicción estructurada con la generación de lenguaje controlada para una hematología computacional interpretable.