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

Resumo Técnico: Rumo à Fenotipagem de Células Únicas sem Marcadores Usando Aprendizado Multi-Tarefa

Declaração do Problema
A caracterização precisa de Leucócitos (WBCs) é crítica para o diagnóstico de desregulação imune, infecções e malignidades hematológicas. Os fluxos de trabalho convencionais baseiam-se em citometria de fluxo baseada em fluorescência ou esfregaços corados manualmente, que sofrem limitações incluindo a necessidade de instrumentos especializados, rotulagem com fluoróforos, intensidade de mão de obra e subjetividade. Embora modalidades ópticas sem marcadores, como a imagem de Contraste de Fase Diferencial (DPC), ofereçam uma alternativa escalável e não invasiva, inferir fenótipos moleculares diretamente da morfologia de campo claro permanece desafiador. As abordagens existentes de aprendizado profundo tratam predominantemente a análise de WBCs como um problema de classificação discreta, negligenciando o espectro contínuo dos níveis de expressão proteica. Além disso, a natureza de "caixa preta" das redes neurais profundas dificulta a adoção clínica pela falta de raciocínio biológico interpretável. Este trabalho aborda a dificuldade de prever simultaneamente tipos celulares discretos e níveis contínuos de expressão proteica diretamente a partir de imagens DPC sem marcadores de células únicas, uma tarefa complicada por pistas morfológicas sutis e esparsamente distribuídas que são facilmente atenuadas pelo agrupamento convolucional padrão.

Metodologia
Os autores propõem um framework unificado de Aprendizado Profundo (DL) que realiza conjuntamente a classificação de WBCs e a regressão de expressão proteica contínua a partir de imagens DPC multicanal. A arquitetura consiste em três componentes principais:

1. Codificador Híbrido de Dupla Ramificação: O modelo funde representações locais e globais para capturar pistas morfológicas complementares.

   • Ramo CNN: Utiliza um tronco seguido por módulos no estilo Inception com conexões residuais para extrair características de textura local de alta granularidade (por exemplo, contornos de membrana, textura nuclear, grânulos). Processa a entrada em tokens espaciais.
   • Ramo ViT: Emprega um Vision Transformer (ViT) compacto para modelar dependências espaciais globais via autoatenção, capturando pistas estruturais de longo alcance, como a forma geral da célula ou polarização, que os kernels convolucionais podem perder.
   • Fusão Multimodal: Um mecanismo de fusão aprendível unifica as representações heterogêneas dos ramos CNN e ViT. Extrai características globais de ambos os ramos, projeta-as em um espaço compartilhado e as combina usando pesos aprendíveis normalizados por softmax para garantir uma análise de contribuição interpretável.

2. Mecanismo de Portão Adaptativo à Tarefa: Para mitigar a transferência negativa entre tarefas com dinâmicas de gradiente conflitantes, o framework emprega um mecanismo de portão. Este módulo modula dinamicamente o compartilhamento de características entre os caminhos de classificação e regressão. Gera portões suaves via camadas lineares ativadas por sigmoid para determinar o equilíbrio entre preservar características específicas da tarefa e incorporar informações mistas da outra tarefa, permitindo que o modelo aprenda dependências inerentes (por exemplo, classificação de células T correlacionada com a expressão de CD3) sem supervisão explícita.

3. Cabeças de Predição Multi-Tarefa: A representação fundida compartilhada é refinada através de caminhos específicos da tarefa (MLPs com conexões residuais, normalização de lote e dropout) antes de ser passada para cabeças separadas:

   • Uma cabeça de classificação emite probabilidades de classe de WBC usando um MLP de três camadas com alto dropout (0,4) para regularização.
   • Uma cabeça de regressão emite valores contínuos para quatro marcadores proteicos (CD45, CD3, CD19, CD14) sem uma função de ativação final para permitir previsões contínuas irrestritas.

4. Interpretabilidade Guiada por LLM: Para aumentar a transparência, um Modelo de Linguagem Grande (Gemini 1.5 Pro) é integrado post-hoc. Converte previsões quantitativas em resumos textuais concisos e fundamentados biologicamente. A geração é restringida via prompts baseados em modelos para prevenir alucinações, garantindo que as saídas sejam estritamente factuais e derivadas exclusivamente das previsões do modelo.

Função de Perda
O modelo é treinado usando um objetivo multi-tarefa ponderado:

• Perda de Classificação ($L_{cls}$): Perda focal com pesos de classe para lidar com desequilíbrio e suprimir amostras bem classificadas.
• Perda de Regressão ($L_{reg}$): Uma combinação de perda Smooth L1 (para estabilidade contra outliers) e um termo de alinhamento de correlação de Pearson (para preservar a ordem relativa das intensidades dos marcadores).
• Perda Auxiliar ($L_{aux}$): Regulariza representações fundidas intermediárias para impor consistência no nível de características entre caminhos compartilhados e específicos da tarefa.

Resultados Experimentais
O framework foi avaliado no conjunto de dados de Microscopia Computacional de Células Únicas de Berkeley (BSCCM) e no conjunto de dados de Imagem de Células Sanguíneas (BCCD).

• Desempenho de Classificação: Na divisão de teste do BSCCM, o modelo proposto alcançou 91,3% de precisão, superando bases fortes incluindo VGG (88,3%), AttentionCNN (89,6%) e ResNet (86,2%). No conjunto de dados BCCD (campo brilhante convencional), alcançou um escore F1 macro-médiado de 0,933, demonstrando generalização bem-sucedida.
• Desempenho de Regressão: Para a regressão de expressão proteica no BSCCM, o modelo alcançou uma correlação de Pearson de 0,7263, com um RMSE de 0,6801 e MAE de 0,4416. Isso superou todas as bases de tarefa única e esqueleto único (por exemplo, DenseNet alcançou r=0,7246).
• Análise por Marcador: O desempenho variou conforme o marcador. Marcadores específicos de linhagem com fortes correlatos morfológicos (por exemplo, CD16, r=0,819; CD45, r=0,799) foram previstos com alta precisão. Em contraste, marcadores que refletem estados de ativação transitórios (por exemplo, CD123/HLA-DR/CD14) mostraram correlação mais baixa (r=0,339), indicando que a morfologia sem marcadores não pode substituir totalmente ensaios moleculares para estados funcionais dinâmicos.
• Estudos de Ablação: A remoção do ramo ViT reduziu a precisão em 1,58% e a correlação de regressão em 0,0335. A remoção do ramo CNN causou uma degradação maior, confirmando a necessidade da extração de textura local. Variantes de tarefa única performaram pior do que o modelo multi-tarefa, validando que a otimização conjunta atua como um regularizador e afina as representações de características.

Contribuições Principais

1. Framework Unificado Multi-Tarefa: Uma abordagem inovadora que prevê conjuntamente a classe de WBC e níveis de expressão proteica a partir de imagens DPC sem marcadores, eliminando a necessidade de coloração química.
2. Arquitetura Híbrida: Um codificador de dupla ramificação que combina características de textura convolucional multiescala com representações globais baseadas em transformadores via uma camada de fusão aprendível.
3. Portão Adaptativo à Tarefa: Um mecanismo que equilibra informações compartilhadas e específicas da tarefa, melhorando tanto a precisão de classificação quanto de regressão ao gerenciar dinâmicas de gradiente.
4. Integração de Interpretabilidade: A incorporação de um módulo LLM restrito para gerar resumos fundamentados biologicamente, avançando a transparência do modelo além da visualização padrão de atenção.

Significado e Alegações
O artigo alega ser um dos primeiros trabalhos a regredir conjuntamente a expressão proteica no nível de marcadores e classificar o fenótipo de WBC a partir de microscopia DPC sem marcadores. Os resultados sublinham a promessa da imagem de células únicas sem marcadores para perfilagem hematológica custo-efetiva, permitindo a identificação simultânea de fenótipos e a estimativa quantitativa de biomarcadores sem coloração fluorescente. Os autores afirmam que sua abordagem demonstra a viabilidade de recuperar fenótipos funcionais a partir de morfologia não corada. No entanto, notam modestamente limitações: o modelo aproxima-se de um teto de desempenho para tipos celulares com alta ambiguidade morfológica (por exemplo, monócitos vs. linfócitos), e não pode substituir totalmente ensaios moleculares para prever estados de ativação dinâmicos que carecem de assinaturas morfológicas estáveis. O trabalho destaca o potencial de combinar predição estruturada com geração de linguagem controlada para hematologia computacional interpretável.