PHOEBI: An Open-World Benchmark for Bacterial Identification in Phase-Contrast Microscopy

Resumen Técnico: PHOEBI

Planteamiento del Problema
La microscopía óptica es el instrumento estándar para la identificación de especies bacterianas en entornos clínicos, ambientales e industriales. Sin embargo, las muestras de campo son rutinariamente polimicrobianas (que contienen mezclas de especies) y de mundo abierto (que potencialmente contienen organismos no vistos durante el entrenamiento). Los benchmarks de visión computacional existentes para la identificación bacteriana se limitan a cultivos puros, clasificación de etiqueta única o imágenes a escala de colonia, fallando al no abordar los desafíos simultáneos del reconocimiento multietiqueta, la morfología de grano fino y la generalización composicional. Además, la identificación automatizada estándar depende de la secuenciación de rRNA 16S, que requiere mucha mano de obra, mientras que la microscopía de contraste de fase (PCM) ofrece una alternativa más rápida y sin marcadores que actualmente carece de un marco de evaluación robusto para cultivos mixtos.

Metodología
Los autores presentan PHOEBI (Phase-contrast Optical bEnchmark for Bacterial Identification), un conjunto de datos y un protocolo de evaluación diseñado para reflejar los flujos de trabajo reales de laboratorio húmedo.

• Conjunto de Datos: PHOEBI comprende aproximadamente 120,000 imágenes de PCM (magnificación de 1000×) de seis especies de bacterias con forma de bastón (Bacillus subtilis, Bacillus thermoamylovorans, Myxococcus xanthus, Klebsiella aerogenes, Flavobacterium johnsoniae, Pseudomonas fluorescens). El conjunto de datos cubre 40 combinaciones de especies distintas, incluyendo todos los singletes, pares, triples, cuadruples y la mezcla completa de las seis especies.
• Protocolo de Evaluación: El benchmark emplea una división de Leave-Combinations-Out (LCO) (Dejar Combinaciones Fuera). A diferencia de las divisiones aleatorias estándar, LCO retiene combinaciones de especies completas (por ejemplo, pares o triples específicos) del entrenamiento y la validación. Esto pone a prueba la generalización composicional: la capacidad de un modelo entrenado en mezclas conocidas para identificar especies en configuraciones de mezclas completamente inéditas.
• Supuesto de Homogeneidad Espacial (H): El marco se basa en la observación de que las células bacterianas en suspensión están dispersas uniformemente. En consecuencia, cualquier recorte (tile) suficientemente grande de una imagen porta la misma información multietiqueta que la imagen completa. Esto permite que el sistema opere sobre características de fragmentos congelados en lugar de realizar un ajuste fino de los agregadores a nivel de imagen.
• Arquitectura:
  1. Front-end: Las imágenes se preprocesan para eliminar puntos calientes de iluminación. Se muestrean en 16 fragmentos (224×224), se embeben usando un backbone DINOv2-S/14 congelado y se normalizan mediante L2.
  2. Decodificadores: Se proponen tres decodificadores ligeros basados en anclajes para operar sobre el pool de características congeladas:
     • SIMPLEXUNMIX: Proyecta los logit de coseno escalados sobre el simplex de probabilidad usando sparsemax, imponiendo ceros estructurales para las especies ausentes. Minimiza el error de reconstrucción.
     • PROTOTYPE MATCH: Un método de forma cerrada que lee las características de los fragmentos como similitudes de coseno independientes a los prototipos de cultivo puro.
     • CHANNELGROUP: Una cabeza discriminativa que divide el embedding en grupos de canales con pérdida de entropía cruzada binaria.
  3. Primitivas de Mundo Abierto: El residuo de reconstrucción de SIMPLEXUNMIX sirve como sustrato unificado para el rechazo de conjunto abierto (usando una cola de distancia de coseno k-NN no paramétrica) y el descubrimiento de clases novedosas (agrupando fragmentos de alto residuo para proponer nuevos prototipos).

Hallazgos Clave: El Colapso Composicional
El artículo identifica un modo de falla sistemático denominado colapso composicional. Cuando los agregadores por gradiente estándar por imagen (incluyendo el ajuste fino de extremo a extremo de nueve backbones desde ResNet hasta ViT/CLIP, y MIL basado en atención) se evalúan en la división LCO, sufren una caída drástica de rendimiento (de 0.39 a 0.57 F1) en comparación con el rendimiento in-distribución.

• Diagnóstico: Una sonda lineal sobre las características de DINOv2 congeladas muestra que la representación visual es sólida (solo ~6% de varianza de F1 a través de 13 codificadores diferentes). La falla reside enteramente en el agregador entrenado por gradiente, que se sobreajusta a combinaciones específicas de entrenamiento en lugar de aprender anclajes geométricos independientes de la especie.
• Resolución: Los decodificadores basados en anclajes propuestos (SIMPLEXUNMIX, PROTOTYPE MATCH, CHANNELGROUP) evitan este colapso. Notablemente, SIMPLEXUNMIX y PROTOTYPE MATCH logran puntuaciones F1 mayores en la división composicional retenida que en la división de validación in-distribución, demostando que el anclaje geométrico generaliza mejor que la agregación aprendida.

Resultados

• Generalización Composicional: En la división LCO, los mejores baselines supervisados logran ~0.44–0.61 F1. Los decodificadores de PHOEBI alcanzan 0.660 (SIMPLEXUNMIX) y 0.683 (PROTOTYPE MATCH) F1, cerrando efectivamente la brecha.
• Rechazo de Conjunto Abierto: Usando la cola de distancia de coseno k-NN en el pool de características congeladas, el sistema eleva el Área Bajo la Curva de Característica de Operación del Receptor (AUROC) para el rechazo de conjunto abierto de la suerte (~0.44) a 0.70.
• Descubrimiento de Clases Novedosas: El sistema agrupa fragmentos de alto residuo para proponer nuevos prototipos. Usando la asignación Sinkhorn-Knopp con $K=1$, logra una pureza perfecta (1.000) en el descubrimiento de prototipos de especies novedosas con una deriva insignificante (−0.031) en las clases conocidas, superando significativamente a los baselines de agrupamiento codicioso (greedy clustering).
• Robustez: El colapso composicional y el éxito de los decodificadores basados en anclajes se replicaron en un subconjunto independiente de 4 clases, confirmando que los hallazgos son propiedades del protocolo composicional multietiqueta y no específicos del conjunto de datos de 6 clases.

Significancia y Reivindicaciones
El artículo reivindica tres contribuciones principales:

1. Dataset y Protocolo PHOEBI: Un benchmark preparado en laboratorio húmedo de 120,000 imágenes con un riguroso protocolo de evaluación LCO que expone las limitaciones del reconocimiento multietiqueta supervisado actual en la microbiología de mundo abierto.
2. Identificación del Colapso Composicional: La demostración de que la falla al generalizar a mezclas no vistas es una propiedad de los agregadores entrenados por gradiente, no del backbone visual, y que esto puede resolverse sin reentrenar el backbone.
3. Marco Unificado de Mundo Abierto: Un método donde un único residuo de reconstrucción de un decodificador anclado geométricamente impulsa la detección de presencia, el rechazo de conjunto abierto y el descubrimiento de clases novedosas con costo de entrenamiento adicional cero.

Los autores posicionan este trabajo como un paso hacia la identificación bacteriana más barata, rápida y confiable en entornos polimicrobianos, particularmente para centros de salud con pocos recursos y procesos de seguridad donde la secuenciación es costosa. Expresan explícitamente sus limitaciones: el conjunto de datos proviene de un solo microscopio (no probado para la generalización entre instrumentos) y la puntuación de rechazo de conjunto abierto es actualmente diagnóstica en lugar de apta para despliegue en la detección binaria.