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

技術要約：Blasto-Net

問題提起
体外受精（IVF）の成功は、移植に最も適した胚の選択に大きく依存しています。胚盤胞段階では、胚の質は3つの形態学的コンパートメントに基づいて評価されます。すなわち、胎児へと発達する内細胞塊（ICM）、着床を媒介する透明帯（TE）、そして構造的な殻である透明帯（ZP）です。現在の臨床評価はガードナー・グレーディング・システムに依存していますが、これは本質的に主観的であり、観察者間の差異や観察者内のばらつきが生じます。さらに、自動解析は大きな課題に直面しています。各コンパートメントは異なるトポロジー（例えば、ICMは小さくコンパクトな領域である一方、TEとZPは細く不規則なリング状である）を持ち、テクスチャは似ていても構造が異なることが多いためです。既存のディープラーニングの手法は、通常、セグメンテーション、グレーディング、または着床予測を個別に扱っており、これらのタスク間に内在する相互依存性を活用できていません。

手法
著者らは、ZP、TE、およびICMのピクセルレベルのセグメンテーション、各コンパートメントの形態学的グレーディング、および二値の着床結果予測の3つのタスクを、単一のフォワードパスで同時に実行するように設計された統一マルチタスク学習（MTL）フレームワークであるBlasto-Netを提案しています。

• アーキテクチャ: モデルは、階層的な特徴（$E_0$–$E_4$）を抽出するためにEfficientNet-B3エンコーダを使用し、再構成のためにUNetスタイルのデコーダを使用します。
• アテンション機構: 特徴の選択性を高めるため、すべてのデコーダブロックには2つのモジュールが統合されています。
  1. CBAM (Convolutional Block Attention Module): チャネルおよび空間アテンションを適用し、関連する領域に焦点を当てます。
  2. EAAM (Edge-Aware Attention Module): 勾配情報（固定されたSobelカーネルによる）を組み込むことで境界を明示的に強調し、エッジ検出自体に学習パラメータを追加することなく、コンパートメント間の界面の描写を改善する新しいモジュールです。
• トポロジー特化型ヘッド: 共有セグメンテーションヘッドの代わりに、解剖学的特性に合わせた専門的なブランチを採用しています。
  • ZPヘッド: 細い外輪構造を捉えるために、特徴を集約するマルチスケール・リング・ヘッド。
  • ICMヘッド: ICMのサイズが小さいことやクラス不均衡に対処するために設計された、LoG（Laplacian-of-Gaussian）誘導型の精緻化ブランチ。
  • TEヘッド: Sobelガイダンスを用いた細いリング・ヘッドであり、マルチスケール特徴を集約し、中心線表現を強制するための形態学的スケルトン補助タスクを利用します。
• 損失関数: モデルは複合損失戦略を採用しています。セグメンテーション損失（$L_{ZP}$、$L_{ICM}$、$L_{TE}$）はトポロジー特化型であり、オーバーラップ指標（Dice、Lovász）、境界精度（距離変換、Hausdorff）、および構造的制約（リング・トポロジー、スケルトン監督）を組み合わせています。また、ディープ・スーパービジョン項も含まれています。
• 説明可能性: 臨床的な信頼をサポートするため、各出力に対して**GradCAM++**による可視化が行われ、予測に影響を与える特定の画像領域がハイライトされます。

主な貢献

1. 統一マルチタスクフレームワーク: 胚盤胞のセグメンテーション、グレーディング、および着床予測を同時に実行する、初のエンドツーエンド・ネットワーク。
2. トポロジー認識設計: ICM（小さな塊）、ZP（リング）、TE（細い不規則なリング）の異なる幾何学的特性を尊重した、専門的なセグメンテーション・ヘッドおよび損失関数の導入。
3. エッジおよび境界の強化: 細く隣接する構造のセグメンテーションの難しさに対応するため、EAAMおよびマルチスケール・エッジ監督（Sobel-Gaussian）を統合。
4. 解釈可能性: モデルが解剖学的に正しいコンパートメントに注目していることを検証するためにGradCAM++を適応させ、臨床的な検証を容易にした。

結果
249枚のHoffman Modulation Contrast (HMC) 画像を含む公開データセットで評価した結果、Blasto-Netは全タスクにおいて強力な性能を示しました。

• セグメンテーション: Diceスコアにおいて、ICMで94.93%、ZPで91.60%、TEで**88.82%**を達成しました。特筆すべきは、グレーディングや予測タスクも同時に学習しているにもかかわらず、ICMのDiceスコアが従来の最先端手法（例：SSS-Net）を上回ったことです。
• グレーディング: 正解率はTEで76%、ICMで68%、ZP/Expansionで48%を達成し、F1スコアはそれぞれ75.00%、56.14%、49.52%でした。
• 着床予測: **F1スコア80.00%および高い再現率（Recall）94.12%**に達しました。これは、潜在的な妊娠を見逃すことがコストとなるIVFにおいて、生存可能な胚を特定する強力な能力を示しています。
• 比較: Blasto-Netは、単一タスクの最先端モデルと比較して、ICMのIoUで最高値（85.73%）を記録し、TEおよびZPでも競争力のある結果を残しました。これは、マルチタスク学習がセグメンテーション精度を損なわないことを証明しています。

意義と主張
本論文は、Blasto-Netが自動化された胚盤胞評価のための正確、解釈可能、かつ効率的なソリューションを提供すると主張しています。セグメンテーション、グレーディング、着床予測を共同で最適化することにより、モデルは単一タスクのアプローチよりも豊かな共有表現を学習します。著者らは、高い着床再現率が、潜在的な妊娠を見逃すことが高くつく臨床現場において特に価値があることを強調しています。説明可能性ツール（GradCAM++）の統合は、臨床的意思決定を支援し、AI駆動のIVFワークフローへの信頼を構築するための重要なステップとして提示されています。本研究は、モデルが複数の目的をバランスさせつつ、構造的多様性やクラス不均衡といった主要な課題に対処し、すべてのコンパートメントにおいて堅牢な性能を維持していると結論付けています。今後の課題として、タイムラプスビデオへの拡張や、患者固有の臨床データの組み込みが示唆されています。