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

Resumo Técnico: PHOEBI

Definição do Problema
A microscopia óptica é o instrumento padrão para a identificação de espécies bacterianas em ambientes clínicos, ambientais e industriais. No entanto, amostras de campo são rotineiramente polimicrobianas (contendo misturas de espécies) e de mundo aberto (potencialmente contendo organismos não vistos durante o treinamento). Os benchmarks de visão computacional existentes para identificação bacteriana são limitados a culturas puras, classificação de rótulo único ou imagens em escala de colônia, falhando em abordar simultaneamente os desafios de reconhecimento multi-rótulo, morfologia de grão fino e generalização composicional. Além disso, a identificação automatizada padrão depende da laboriosa sequenciação de rRNA 16S, enquanto a microscopia de contraste de fase (PCM) oferece uma alternativa mais rápida e sem necessidade de marcação que carece, atualmente, de um framework de avaliação robusto para culturas mistas.

Metodologia
Os autores apresentam o PHOEBI (Phase-contrast Optical bEnchmark for Bacterial Identification), um conjunto de dados e protocolo de avaliação projetado para espelhar fluxos de trabalho reais de laboratórios úmidos.

• Conjunto de Dados: O PHOEBI compreende aproximadamente 120.000 imagens de PCM (aumento de 1000×) de seis espécies de bactérias em forma de bastonete (Bacillus subtilis, Bacillus thermoamylovorans, Myxococcus xanthus, Klebsiella aerogenes, Flavobacterium johnsoniae, Pseudomonas fluorescens). O conjunto de dados cobre 40 combinações distintas de espécies, incluindo todos os singletons, pares, trios, quadruplas e a mistura completa de seis espécies.
• Protocolo de Avaliação: O benchmark utiliza uma divisão de Deixar Combinações de Fora (LCO - Leave-Combinations-Out). Diferente das divisões aleatórias padrão, o LCO retém combinações inteiras de espécies (por exemplo, pares ou trios específicos) do treinamento e da validação. Isso testa a generalização composicional: a capacidade de um modelo treinado em misturas conhecidas identificar espécies em configurações de misturas inteiramente inéditas.
• Suposição de Homogeneidade Espacial (H): O framework baseia-se na observação de que as células bacterianas em suspensão estão uniformemente dispersas. Consequentemente, qualquer corte (tile) suficientemente grande de uma imagem carrega a mesma informação multi-rótulo que a imagem completa. Isso permite que o sistema opere em características de tiles congeladas em vez de realizar o ajuste fino (fine-tuning) de agregadores ao nível da imagem.
• Arquitetura:
  1. Front-end: As imagens são pré-processadas para remover pontos quentes de iluminação. Elas são amostradas em 16 tiles (224×224), incorporadas usando um backbone DINOv2-S/14 congelado e normalizadas via L2.
  2. Decodificadores: Três decodificadores leves, baseados em âncoras, são propostos para operar no pool de características congeladas:
     • SIMPLEXUNMIX: Projeta logit de cosseno escalonados no simplexo de probabilidade usando sparsemax, impondo zeros estruturais para espécies ausentes. Ele minimiza o erro de reconstrução.
     • PROTOMATCH: Um método de forma fechada que lê as características dos tiles como similaridades de cosseno independentes de protótipos de cultura pura.
     • CHANNELGROUP: Uma cabeça discriminativa que divide o embedding em grupos de canais com perda de entropia cruzada binária.
  3. Primitivas de Mundo Aberto: O resíduo de reconstrução do SIMPLEXUNMIX serve como um substrato unificado para rejeição de conjunto aberto (usando uma cauda de distância de cosseno k-NN não paramétrica) e descoberta de novas classes (agrupando tiles de alto resíduo para propor novos protótipos).

Principais Descobertas: O Colapso Composicional
O artigo identifica um modo de falha sistemático denominado colapso composicional. Quando agregadores por imagem treinados via gradiente (incluindo o ajuste fino de ponta a ponta de nove backbones, de ResNet a ViT/CLIP, e MIL baseado em atenção) são avaliados no split LCO, eles sofrem uma queda drástica de desempenho (0,39 a 0,57 F1) em comparação com o desempenho in-distribution.

• Diagnóstico: Uma sonda linear sobre as características do DINOv2 congelado mostra que a representação visual é sólida (apenas ~6% de variância de F1 entre 13 diferentes codificadores). A falha reside inteiramente no agregador treinado por gradiente, que sofre overfitting a combinações específicas de treinamento em vez de aprender âncoras geométricas independentes de espécies.
• Resolução: Os decodificadores baseados em âncoras propostos (SIMPLEXUNMIX, PROTOMATCH, CHANNELGROUP) evitam este colapso. Notavelmente, o SIMPLEXUNMIX e o PROTOMATCH alcançam pontuações F1 superiores no split composicional retido do que no split de validação in-distribution, demonstrando que o ancoramento geométrico generaliza melhor do que a agregação aprendida.

Resultos

• Generalização Composicional: No split LCO, os melhores baselines supervisionados alcançam ~0,44–0,61 F1. Os decodificadores PHOEBI alcançam 0,660 (SIMPLEXUNMIX) e 0,683 (PROTOMATCH) F1, efetivamente fechando a lacuna.
• Rejeição de Conjunto Aberto: Usando a cauda de distância de cosseno k-NN no pool de características congeladas, o sistema eleva a Área Sob a Curva de Característica de Operação do Receptor (AUROC) para rejeição de conjunto aberto de chance (~0,44) para 0,70.
• Descoberta de Novas Classes: O sistema agrupa tiles de alto resíduo para propor novos protótipos. Usando atribuição Sinkhorn-Knopp com $K=1$, ele alcança pureza perfeita (1,000) na descoberta de novos protótipos de espécies com desvio negligenciável (−0,031) em classes conhecidas, superando significativamente os baselines de agrupamento ganancioso (greedy clustering).
• Robustez: O colapso composicional e o sucesso dos decodificadores baseados em âncoras foram replicados em um subconjunto independente de 4 classes, confirmando que os achados são propriedades do protocolo composicional multi-rótulo e não específicos ao conjunto de dados de 6 classes.

Significância e Alegações
O artigo reivindica três contribuições primárias:

1. Dataset & Protocolo PHOEBI: Um benchmark preparado em laboratório úmido com 120.000 imagens com um rigoroso protocolo de avaliação LCO que expõe as limitações da atual identificação multi-rótulo supervisionada em microbiologia de mundo aberto.
2. Identificação do Colapso Composicional: A demonstração de que a falha em generalizar para misturas não vistas é uma propriedade dos agregadores treinados por gradiente, não do backbone visual, e que isso pode ser resolvido sem o retreinamento do backbone.
3. Framework Unificado de Mundo Aberto: Um método onde um único resíduo de reconstrução de um decodificador ancorado geometricamente impulsiona a detecção de presença, a rejeição de conjunto aberto e a descoberta de novas classes com custo de treinamento adicional zero.

Os autores posicionam este trabalho como um passo em direção a uma identificação bacteriana mais barata, rápida e confiável em ambientes polimicrobianos, particularmente para centros de saúde com poucos recursos e pipelines de segurança onde a sequenciação é proibitiva em termos de custo. Eles explicitamente notam limitações: o conjunto de dados provém de um único microscópio (não testado para generalização entre instrumentos) e o escore de rejeição de conjunto aberto é atualmente diagnóstico, e não de nível de implantação para rejeição binária.