Blasto-Net: An Explainable Multi-Task Learning for Blastocyst Segmentation, Grading, and Implantation Prediction

Resumen Técnico: Blasto-Net

Planteamiento del Problema
El éxito de la fertilización in vitro (FIV) depende en gran medida de la selección del embrión más viable para la transferencia. En la etapa de blastocisto, la calidad del embrión se evalúa basándose en tres compartimentos morfológicos: la Masa Celular Interna (ICM), que se desarrolla en el feto; el Trofoectodermo (TE), que media la implantación; y la Zona Pelúcida (ZP), la cubierta estructural. La evaluación clínica actual se basa en el sistema de clasificación de Gardner, que es intrínsecamente subjetivo y sufre de variabilidad inter e intra-observador. Además, el análisis automatizado enfrenta desafíos significativos: los compartimentos poseen topologías distintas (por ejemplo, la ICM es una región pequeña y compacta, mientras que el TE y la ZP son anillos delgados e irregulares) y, a menudo, presentan texturas similares pero estructuras diferentes. Los enfoques de aprendizaje profundo existentes suelen abordar la segmentación, la clasificación o la predicción de la implantación de forma aislada, sin aprovechar la interdependencia inherente de estas tareas.

Metodología
Los autores proponen Blasto-Net, un marco unificado de aprendizaje multitarea (MTL) diseñado para realizar tres tareas simultáneamente en una sola pasada hacia adelante (forward pass): segmentación a nivel de píxel de la ZP, el TE y la ICM; clasificación morfológica de cada compartimento; y predicción binaria del resultado de la implantación.

• Arquitectura: El modelo utiliza un codificador EfficientNet-B3 para extraer características jerárquicas ($E_0$–$E_4$) y un decodificador tipo UNet para la reconstrucción.
• Mecanismos de Atención: Para mejorar la selectividad de las características, cada bloque del decodificador integra dos módulos:
  1. Módulo de Atención de Bloque Convolucional (CBAM): Aplica atención de canal y espacial para enfocarse en regiones relevantes.
  2. Módulo de Atención de Conciencia de Bordes (EAAM): Un módulo novedoso que incorpora información de gradiente (mediante núcleos de Sobel fijos) para resaltar explícitamente los límites, mejorando la delimitación de las interfaces de los compartimentos sin añadir parámetros entrenables al proceso de detección de bordes.
• Cabezales Específicos de Topología: En lugar de un cabezal de segmentación compartido, la red emplea ramas especializadas adaptadas a las características anatómicas:
  • Cabezal ZP: Un cabezal de anillo multiescala que agrega características para capturar la estructura de anillo exterior delgada.
  • Cabezal ICM: Una rama de refinamiento guiada por LoG (Laplaciano de Gauss) diseñada para manejar el tamaño pequeño y el desequilibrio de clases de la ICM.
  • Cabezal TE: Un cabezal de anillo delgado con guía de Sobel, que agrega características multiescala y utiliza una tarea auxiliar de esqueleto morfológico para imponer la representación de la línea central.
• Funciones de Pérdida: El modelo emplea una estrategia de pérdida compuesta. Las pérdidas de segmentación ($L_{ZP}$, $L_{ICM}$, $L_{TE}$) son específicas de la topología, combinando métricas de traslape (Dice, Lovász), precisión de bordes (Transformada de Distancia, Hausdorff) y restricciones estructurales (topología de anillo, supervisión de esqueleto). También se incluye un término de supervisión profunda.
• Explicabilidad: Para respaldar la confianza clínica, se generan visualizaciones de GradCAM++ para cada salida, resaltando las regiones de la imagen que influyen en las predicciones.

Contribuciones Clave

1. Marco Unificado de Multitarea: La primera red de extremo a extremo que realiza simultáneamente la segmentación, la clasificación morfológica y la predicción de la implantación de blastocistos.
2. Diseño Consciente de la Topología: Introducción de cabezales de segmentación especializados y funciones de pérdida que respetan las propiedades geométricas distintivas de la ICM (pequeño bloque), la ZP (anillo) y el TE (anillo irregular delgado).
3. Mejora de Bordes y Contornos: Integración del EAAM y supervisión de bordes multiescala (Sobel-Gauss) para abordar la dificultad de segmentar estructuras delgadas y adyacentes.
4. Interpretabilidad: Adaptación de GradCAM++ para verificar que el modelo presta atención a los compartimentos anatómicamente correctos, facilitando la validación clínica.

Resultados
Evaluado en un conjunto de datos público de 249 imágenes de Contraste de Modulación de Hoffman (HMC), Blasto-Net demostró un sólido desempeño en todas las tareas:

• Segmentación: Logró puntuaciones Dice de 94.93% (ICM), 91.60% (ZP) y 88.82% (TE). Notablemente, la puntuación Dice de la ICM superó a los métodos previos de estado del arte (p. ej., SSS-Net), a pesar de que el modelo también aprende tareas de clasificación y predicción.
• Clasificación: Alcanzó precisiones de 76% (TE), 68% (ICM) y 48% (ZP/Expansión), con puntuaciones F1 de 75.00%, 56.14% y 49.52% respectivamente.
• Predicción de Implantación: Alcanzó un F1-score de 80.00% y un alto recall de 94.12%, lo que indica una fuerte capacidad para identificar embriones viables, lo cual es crítico en la FIV para evitar perder posibles embarazos.
• Comparación: Blasto-Net logró el IoU más alto para la ICM (85.73%) y resultados competitivos para el TE y la ZP en comparación con modelos de tarea única de última generación, demostrando que el aprendizaje multitarea no compromete la precisión de la segmentación.

Significancia y Reivindicaciones
El artículo afirma que Blasto-Net ofrece una solución precisa, interpretable y eficiente para la evaluación automatizada de blastocistos. Al optimizar conjuntamente la segmentación, la clasificación y la predicción de la implantación, el modelo aprende representaciones compartidas más ricas que los enfoques de tarea única. Los autores enfatizan que el alto recall de implantación es particularmente valioso en entornos clínicos donde perder un embrión viable es costoso. La integración de herramientas de explicabilidad (GradCAM++) se presenta como un paso clave para apoyar la toma de decisiones clínicas y generar confianza en los flujos de trabajo de la FIV impulsados por IA. El estudio concluye que, si bien el modelo equilibra múltiples objetivos, mantiene un rendimiento robusto en todos los compartimentos, abordando desafíos clave como la diversidad estructural y el desequilibrio de clases. Se sugiere como trabajo futuro extender el modelo a videos de lapso de tiempo (time-lapse) e incorporar datos clínicos específicos del paciente.