Multitasking Embedding for Embryo Blastocyst Grading Prediction (MEmEBG)

Probleemstelling

De succesvolheid van in vitro fertilisatie (IVF) hangt sterk af van de betrouwbare evaluatie van de kwaliteit van blastocysten (embryo's in een vroeg stadium). De huidige praktijk voor het beoordelen van embryo's is grotendeels gebaseerd op visuele inspectie door embryologen van morfologische kenmerken. Dit proces kent echter aanzienlijke beperkingen:

• Subjectiviteit: Er is sprake van variabiliteit tussen verschillende embryologen.
• Standaardisatie: Het is moeilijk om kwaliteitsborging te standaardiseren.
• Tijdsaspect: Beoordelingen vinden vaak pas laat plaats (dag 5), wat de mogelijkheid voor vroege klinische beslissingen beperkt.
• Data-beperkingen: Veel bestaande AI-systemen vereisen volledige tijdreeksen (time-lapse monitoring), die niet in alle laboratoria beschikbaar zijn, of ze focussen alleen op de totale levensvatbaarheid zonder de specifieke componenten (Trophectoderm, Inner Cell Mass, Expansie) apart te modelleren.

Het doel van deze studie is om een robuust, objectief en geautomatiseerd systeem te ontwikkelen dat de kwaliteit van blastocysten kan voorspellen op basis van beperkte beeldgegevens, specifiek gericht op de drie cruciale componenten: Trophectoderm (TE), Inner Cell Mass (ICM) en Blastocyst Expansie (EXP).

Methodologie: MEmEBG

De auteurs stellen MEmEBG (Multitasking Embedding for Embryo Blastocyst Grading) voor, een raamwerk dat gebruikmaakt van transfer learning en multi-task learning (MTL).

1. Architectuur:

   • Backbone: Het model gebruikt een vooraf getrainde ResNet-18 (gepretraind op ImageNet) als basis voor feature extractie.
   • Embedding Layer: Om robuuste en discriminatieve representaties te leren uit een beperkte dataset, wordt een DINOv2-module (een zelftoezichtende Vision Transformer) geïntegreerd. Deze codeert embryo-afbeeldingen naar een hoge-dimensionale, gedeelde latent embedding space. Dit helpt bij het vastleggen van fijne morfologische structuren en semantische gelijkenissen zonder handmatige annotaties.
   • Multi-Task Heads: Bovenop de gedeelde embedding liggen meerdere volledig verbonden lagen (fully connected layers), elk gewijd aan een specifieke taak: het voorspellen van de kwaliteitsscores voor TE, ICM en EXP.

2. Multi-Task Learning (MTL) Strategie:

   • Het model leert alle taken simultaan binnen één netwerk.
   • De parameters worden opgesplitst in gedeelde parameters ($\theta_{sh}$) die algemene morfologische patronen vastleggen, en taakspecifieke parameters ($\theta_i$) die de unieke kenmerken van elke grading taak modelleren.
   • De totale loss-functie is de som van de individuele losses per taak: $L_{all} = \sum L(\tau_i)$.
   • Dit ontwerp bevordert kennisoverdracht tussen taken (bijv. informatie over TE kan helpen bij het voorspellen van EXP) en verhoogt de data-efficiëntie.

3. Dataset:

   • Gebruikt werd een dataset van 249 dag-5 menselijke blastocysten (verzameld door PCRM, Canada).
   • De dataset bevat handmatige annotaties (masks) voor TE, ICM en de zona pellucida, evenals Gardner-grading scores.
   • De data werd opgesplitst in 75% training (211 samples) en 25% test (50 samples).

Belangrijkste Bijdragen

• Geïntegreerde MTL-aanpak: Voor het eerst wordt een multi-task embedding framework voorgesteld dat specifiek is ontworpen voor de simultane beoordeling van TE, ICM en EXP, in plaats van alleen een totale levensvatbaarheidsvoorspelling.
• Uitdagingen bij beperkte data: Het paper demonstreert hoe transfer learning (ResNet-18 + DINOv2) effectief kan worden ingezet om hoge prestaties te halen op een zeer kleine dataset (ongeveer 150 trainingsafbeeldingen), wat typisch is voor medische IVF-datasets.
• Kennisoverdracht: Het onderzoek toont aan dat het gezamenlijk optimaliseren van gerelateerde biologische taken leidt tot betere generalisatie en robuustere representaties dan het trainen van losse single-task modellen.

Resultaten

De prestaties werden vergeleken tussen Single-Task Learning (STL) en Multi-Task Learning (MTL) modellen, gemeten aan de hand van de F-score.

• Algemene Prestaties:

  • TE (Trophectoderm): MTL scoorde significant beter dan STL (0.64 vs 0.60, p < 0.05).
  • EXP (Expansie): MTL scoorde significant beter dan STL (0.76 vs 0.72, p < 0.05).
  • ICM (Inner Cell Mass): STL presteerde lichtjes beter dan MTL (0.64 vs 0.63), maar dit verschil was statistisch niet significant. De auteurs suggereren dat ICM mogelijk meer afhankelijk is van zeer specifieke visuele cues die minder goed worden gedeeld in de huidige MTL-configuratie.

• Classificatie per Kwaliteitsgraad:

  • Het model presteerde uitstekend voor de meer voorkomende hoogwaardige graden (bijv. ICM Grade A: F-score 0.85).
  • Er was een duidelijke prestatiedaling voor minder voorkomende graden (bijv. ICM Grade B: F-score 0.44), wat wijst op een class imbalance probleem in de dataset.

• Training Dynamics:

  • De validatie-accuracy toonde enige variabiliteit in de eerste 100 epochs, wat de complexiteit van de multi-task optimalisatie aangeeft, maar het model convergeerde uiteindelijk naar stabiele prestaties.

Betekenis en Conclusie

De studie bevestigt dat multi-task learning een krachtige methode is voor de automatisering van embryo-grading in IVF-klinieken, zelfs onder uitdagende omstandigheden met beperkte data.

• Klinische Impact: Het systeem kan bijdragen aan een objectievere en consistentere selectie van embryo's, wat de kans op succesvolle zwangerschappen kan vergroten en de patiëntlast kan verminderen.
• Toekomstperspectief: Hoewel het huidige model veelbelovend is, wijzen de auteurs erop dat de integratie van segmentatietechnieken (die het model focussen op biologisch relevante gebieden) samen met de embedding-representatie de prestaties voor specifieke taken (zoals ICM) en de trainingsstabiliteit verder kunnen verbeteren.

Kortom, MEmEBG biedt een solide basis voor de volgende generatie AI-gestuurde hulpmiddelen in de voortplantingsgeneeskunde.